Konvolüsyonel Sinir Ağı Tabanlı Derin Öğrenme Modeli ile Narenciye Hastalıklarının Sınıflandırılması

Abstract

Tarımsal üretimde mahsul verimi için bitki hastalıkları hayati öneme sahiptir. Bitkilerde bulunan renk, şekil, doku gibi özelliklerin birbirine benzemesinden dolayı bitkilerdeki hastalıkların erken aşamada tespiti zor ve yorucu olmaktadır. Bitkilerdeki hastalıkların erken aşamada tespit edilerek önlem alınması mahsule gelen zararın engellemesi için gerekli bir adımdır. Bu nedenle, narenciye ihracatını etkileyerek üreticileri maddi olarak büyük zararlara uğratan yaprak hastalıklarını sınıflandırmak için yapılan çalışma kapsamında derin öğrenme tabanlı bir model geliştirilmiştir. Buna ek olarak DenseNet121, MobileNetV2 ve ResNet50 modellerini temel alan üç ayrı model ile de yaprak hastalıkları sınıflandırılmıştır. Bu modellerin oluşturulmasında ince ayarlı transfer öğrenme tekniği kullanılmıştır. Yapılan çalışma kapsamında önerilen 15 katmanlı CNN modeli ile Adamax optimizasyon yöntemi ile %99, RMSProp optimizasyon yöntemi ile de %97 doğruluk oranlarına ulaşılmıştır. En sık karşılaşılan narenciye yaprak hastalıklarından olan Blackspot (narenciye siyah nokta (CBS)), canker (narenciye bakteriyel kanseri (CBC)), greening (huanglongbing (HLB)) ile Health (sağlıklı (Health)) sınıflarında ise sırasıyla %100, %100, %98 ve %100 başarı oranlarına erişilmiştir.