Pancar bitki hastalıklarının derin öğrenme ile sınıflandırılması

Abstract

Şeker insan hayatı için vazgeçilmez bir öneme sahiptir. Şeker pancarı temel gıda maddesi olan şeker üretiminin haricinde diğer yan ürünleri ile tarımsal ve ekonomik açıdan büyük bir öneme sahiptir. Üretilecek olan şekerin verimi ve kalitesini olumsuz yönde etkileyen sebeplerin başında bitkide meydana gelebilecek hastalıklar yer almaktadır. Şeker pancarında oluşan yaprak hastalıkları nedeni ile kök gelişimleri istenilen seviyelere gelememekte buda bitkinin şeker oranı ve verimini düşürmektedir. Yapraklarda oluşan hastalıkların erken dönemlerde tespit edilmesi hastalığın yayılımını veya bitkiye vereceği zararı en aza indirmektedir. Hastalıkların tespitinde gelişen teknoloji ile beraber görüntü ve nesne algılama için derin öğrenme yöntemleri kullanılmaktadır. Bu modeller arasında sürekli güncellenen versiyonları ve artan kullanım alanları ile YOLO (You only look once) dikkat çekmektedir. Bu çalışmada YOLOv8, ResNet50 ve DenseNet121 modelleri kullanılarak ülkemizde yaygın olarak görülen şeker pancarı hastalıklarından cercospora (yaprak lekesi), powdery mildew (külleme) hastalıklarının sınıflandırılması incelenmiştir. YOLOv8'in alt modelleri ile yapılan sınıflandırma işlemleri ile ResNet50 ve DenseNet121 transfer öğrenme modellerinin eğitim sonuçları performans değerlendirme kriterlerine göre karşılaştırılmıştır.

Sugar has an essential importance for human life. As a staple food, sugar beet has great agricultural and economic importance with its other by-products besides sugar production. The main reasons that negatively affect the yield and quality of the sugar to be produced are the diseases that may occur in the plant. Due to leaf diseases in sugar beet, root development cannot reach the desired levels, which reduces the sugar content and yield of the plant. Detecting diseases in the leaves at an early stage minimizes the spread of the disease or the damage to the plant. In the detection of diseases, deep learning methods are used for image and object detection along with advancing technology. Among these models, YOLO (You Only Look Once) attracts attention with its constantly updated versions and increasing usage areas. In this study, the classification of Cercospora (leaf spot) and powdery mildew diseases, which are common sugar beet diseases in our country, were examined by using YOLOv8, ResNet50, and DenseNet121 models. With the classification processes performed with YOLOv8 submodels, the training results of ResNet50 and DenseNet121 transfer learning models were compared according to performance evaluation criteria.