Derin öznitelikler kullanılarak kiraz yapraklarında külleme hastalık seviyesinin sınıflandırılması

Abstract

Kiraz meyvesi, Prunus avium familyasına ait etli ve sert çekirdekli bir meyve çeşididir. Tüm dünyada tüketilen ve ticari değeri yüksek olan kiraz meyvesinin, ülkemizde de önemli ölçüde üretimi ve ihracatı yapılmaktadır. Kiraz bitkisi, yetiştirilmesi zor olan meyve türlerinden biridir. Yaygın olarak yetiştirilen bu bitki türünün büyütülmesi ve yaşatılması sürecinde çeşitli pestisit hastalıklarla karşılaşılmaktadır. Bu hastalıkların tespitinde uzman görüşlerinden ve çitçi deneyimlerinden yararlanılsa da bitkilerin sağlıklı bir şekilde yetiştirilmesinde yeterli olmamaktadır. Bu nedenle, günümüzde bitkilerin ekiminden hasatına kadar ki tüm süreçlerin izlenmesinde bilgisayar teknolojisinden faydalanılmaktadır. Tarımda kullanılan görüntü işleme ve makine öğrenmesine dayalı yapay zekâ uygulamaları daha güvenli, daha hızlı ve daha uygun maliyetli operasyonlara olanak sağlamaktadır. Bilgisayar destekli tarım analiz sistemleri bitki hastalıklarının tespit edilmesi, tanımlanması ve izlenmesinde yaygın olarak kullanılmaktadır. Geliştirilen bu sistemler tarımsal verimliliği arttırmak ve sağlıklı mahsuller yetiştirmek noktasında yenilikçi çözümler sunmaktadır. Özellikle bitki hastalıkların tespit edilmesi ve izlenmesi süresinde doğru kararlar alınmasına yardımcı olmaktadır. Bu araştırmada kiraz bitkisinin yapraklarında görülen bakteriye dayalı hastalıkların tespit edilmesi amaçlanmıştır. Bu hastalıkların tespitinde ön-eğitimli konvolüsyonel sinir ağları kullanılarak (Convolutional Neural Network- CNN) hastalığa ait öznitelikler belirlenmiştir. Elde edilen bu öznitelikler ise CNN ağının son katmanında yer alan varsayılan sınıflandırıcı yerine LDA (Linear Discriminant Analysis), KNN (K-Nearest Neighbor), SVM (Support Vector Machine) sınıflandırıcılarının aracılığıyla; sağlıklı, az veya çok hastalıklı bitki tespitini yapmak amacıyla kullanılmıştır. Genel deney sonuçlarına göre çok sınıflı bu problemde en iyi başarım %88.1 ile Doğrusal SVM (Linear SVM) sınıflandırıcısı ile el edilmiştir

Cherry fruit is a fleshy and stone fruit variety belonging to the Prunus avium family. Cherry fruit, which is consumed all over the world and has a high commercial value, is also produced and exported in our country. The cherry plant is one of the fruit types that is difficult to grow. Various pesticide diseases are encountered in the process of growing and maintaining this widely grown plant species. Although expert opinions and farmers' experience are used in the detection of these diseases, it is not enough for the healthy growth of plants. For this reason, computer technology is used to monitor all processes from planting to harvesting. Artificial intelligence applications based on image processing and machine learning used in agriculture enable safer, faster, and more cost-effective operations. Computer-aided agricultural analysis systems are widely used in the detection, identification, and monitoring of plant diseases. These developed systems offer innovative solutions to increase agricultural productivity and grow healthy crops. It helps to make the right decisions, especially during the detection and monitoring of plant diseases. In the study, it was aimed to determine the bacterial diseases seen on the leaves of the cherry plant. In the detection of these diseases, the features of the disease were determined by using pre-trained convolutional neural networks (Convolutional Neural Network - CNN). These obtained features were used to detect healthy, more or less diseased plants through LDA (Linear Discriminant Analysis), KNN (K-Nearest Neighbor), SVM (Support Vector Machine) classifiers instead of the default classifier in the last layer of the CNN network. According to the general test results, the best performance in this multi-class problem has been achieved with the Linear SVM classifier with 88.1%.