Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması

Abstract

Bitki hastalıklarının hızlı ve doğru teşhisi için makine öğrenmesine dayalı yaklaşımlar kullanılmaktadır. Son zamanlarda derin öğrenme yaklaşımı bitki türleri ve hastalıkları tanıma ile ilgili problemlerde de kullanılmaktadır. Bu çalışmada, kayısı hastalıklarının tespiti için Derin Evrişimsel Sinir Ağlarına (DESA) dayalı bir model önerilmiştir. Bu model, Evrişim, Relu, Normalizasyon, Havuzlama ve tam bağlı katmanlardan oluşmaktadır. Önerilen model için evrişim katmanlarında kullanılan filtrelerin pencere boyutu 3×3, 5×5, 7×7, 9×9 ve 11×11 olmak üzere beş farklı filtre çeşitleri kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Önerilen çalışmayı test etmek için Bingöl ve İnönü Üniversitelerinin Ziraat Fakültelerinin çalışma alanlarından elde edilen kayısı hastalıklarından oluşan görüntüler kaydedilip kapsamlı bir veri tabanı inşa edilmiştir. Geliştirilen derin ağ modeli bu veri tabanı üzerinde test edilmiştir. Gerçekleştirilen deneysel sonuçlara göre, kayısı hastalıklarının tespiti için önerilen derin ağ modeli diğer geleneksel görüntü tanımlayıcılarına göre daha yüksek sınıflandırma başarısı elde edildiği gözlemlenmiştir.Machine learning approaches are used for fast and accurate diagnosis of plant diseases. Recently, deep learning approach has been used in plant species and disease recognition problems. In this study, a model based on Deep Convolutional Neural Networks (CNN) was proposed for the detection of apricot diseases. The developed model consists of Convolution, Relu, Normalization, Pooling, and fully connected layers. For the proposed model, experimental studies were carried out using five different filter types as 3×3, 5×5, 7×7, 9×9 and 11×11 window size of the filters used in convolution layers. In order to test the proposed study, a comprehensive database was constructed using the images of apricot diseases obtained from the study areas of the Faculty of Agriculture of the Bingöl and İnönü Universities. The developed deep network model has been tested on this database. According to the experimental results carried out, it was observed that the proposed deep a network model for the detection of apricot diseases had a higher classification success than other traditional image descriptors.