DERİN ÖĞRENME YÖNTEMİ İLE BİTKİ YAPRAĞI HASTALIK SINIFLANDIRMA ÇALIŞMASI PERFORMANS ANALİZİ

İpek Atik

doi:10.17780/ksujes.1096541

DERİN ÖĞRENME YÖNTEMİ İLE BİTKİ YAPRAĞI HASTALIK SINIFLANDIRMA ÇALIŞMASI PERFORMANS ANALİZİ

Öz

Bitkilerin yetiştirilme süreci zahmetli ve uzun süren bir işlemdir. Bitki yetiştiriciliği ile uğraşan kişilerin en önemli sorunlarından biri bitki hastalığıdır. Hastalıkla mücadelede ilk olarak yapılması gereken hastalığın tanınmasıdır. Hastalığın hızlı bir şekilde tespit edip gereken önlemleri hızlı bir şekilde alabilmek oldukça önemlidir. Çalışmada domates yapraklarındaki hastalık belirlenmesinde derin öğrenme yöntemleri kullanılmıştır. Çalışmada veri seti hastalık olarak 10 sınıftan oluşan toplam 18.160 domates yaprağı görüntüsü bulunmadır. Görüntü hastalık sınıflandırmasında derin evrişimli sinir ağları (ESA) modellerden ön eğitimli ağlar olan GoogleNet, AlexNet, SqueezeNet, ShuffleNet ve ResNet-18 modelleri kullanılmıştır. Modellerde eğitim veri seti %70 eğitim, %15 doğrulama ve %15 test olarak ayrılmıştır. Eğitilen ağların test verisi ile performans ölçütleri doğruluk, kesinlik, özgüllük ve f-skor değerleri hesaplanmıştır. Modellerin doğruluk oranları AlexNet, GoogleNet, ShuffleNet, SqueezeNet ve ResNet-18 için sırasıyla %93.93, %95.18, %94.82, %94.29 ve %81.79 olarak elde edilmiştir. Yapılan analizlere göre ön eğitimli ağların domates yaprağı hastalık sınıflandırma çalışmasında en iyi performans gösteren modelin GoogleNet olduğu görülmüştür.

Anahtar Kelimeler

References

Acikgoz, H. (2022). A novel approach based on integration of convolutional neural networks and deep feature selection for short-term solar radiation forecasting. Applied Energy, (305). doi:https://doi.org/10.1016/j.apenergy.2021.117912.
Arivazhagan, S., Shebiah, R. N., Ananthi, S. N., & Varthini, S. V. (2013). Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features. Agricultural Engineering International: The CIGR Journal, 15, 211–217.
Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., & Stefanovic, D. (2019). Solving Current Limitations of Deep Learning Based Approaches for Plant Disease Detection. Symmetry, 11(7). doi:10.3390/sym11070939
Athanikar, G., & Badar, M. P. (2016). Potato Leaf Diseases Detection and Classification System Mr. Atik, I. (2022a). Classification of Electronic Components Based on Convolutional Neural Network Architecture. Energies, 15(7). doi:10.3390/en15072347
Atik, I. (2022b). Performance Comparison of Pre-Trained Convolutional Neural Networks in Flower Image Classification. Avrupa Bilim ve Teknoloji Dergisi, (35), 315–321. doi:10.31590/ejosat.1082023
Brahimi, M., Boukhalfa, K., & Moussaoui, A. (2017a). Deep Learning for Tomato Diseases: Classification and Symptoms Visualization. Applied Artificial Intelligence, 31(4), 299–315. doi:10.1080/08839514.2017.1315516
Ciresan, D. C., Meier, U., Masci, J., Gambardella, L. M., & Schmidhuber, J. (2011). Flexible, High Performance Convolutional Neural Networks for Image Classification. IJCAI.
Durmuş, H., Güneş, E. O., & Kırcı, M. (2017). Disease detection on the leaves of the tomato plants by using deep learning. In 2017 6th International Conference on Agro-Geoinformatics (pp. 1–5). doi:10.1109/Agro-Geoinformatics.2017.8047016

Dyrmann, M., Karstoft, H., & Midtiby, H. S. (2016). Plant species classification using deep convolutional neural network. Biosystems Engineering, 151, 72–80. doi:10.1016/j.biosystemseng.2016.08.024
Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318. doi:https://doi.org/10.1016/j.compag.2018.01.009
Fuentes, A., Yoon, S., Kim, S. C., & Park, D. S. (2017). A Robust Deep-Learning-Based Detector for Real-Time Tomato Plant Diseases and Pests Recognition. Sensors, 17(9). doi:10.3390/s17092022
G, G., & J, A. P. (2019). Identification of plant leaf diseases using a nine-layer deep convolutional neural network. Computers & Electrical Engineering, 76, 323–338. doi:https://doi.org/10.1016/j.compeleceng.2019.04.011
H. Sabrol, & K. Satish. (2016). Tomato plant disease classification in digital images using classification tree (pp. 1242–1246). Presented at the 2016 International Conference on Communication and Signal Processing (ICCSP). doi:10.1109/ICCSP.2016.7754351
Hoo, Z. H., Candlish, J., & Teare, D. (2017). What is an ROC curve? Emergency Medicine Journal, 34(6), 357–359. doi:10.1136/emermed-2017-206735
Kaggle. (2021, December 6). Kaggle. Kaggle data set. dataset. Retrieved from https://www.kaggle.com/datasets(Erişim tarihi:15.01.2022) Krizhevsky, A. (2012). Convolutional Deep Belief Networks on CIFAR-10.https://www.cs.toronto.edu/~kriz/conv-cifar10-aug2010.pdf
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.
Liu, Y., Tang, F., Zhou, D., Meng, Y., & Dong, W. (2016). Flower classification via convolutional neural network. In 2016 IEEE International Conference on Functional-Structural Plant Growth Modeling, Simulation, Visualization and Applications (FSPMA) (pp. 110–116). doi:10.1109/FSPMA.2016.7818296
Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using Deep Learning for Image-Based Plant Disease Detection. Frontiers in Plant Science, 7.
Öter, A., Aydoğan, O., KIYMIK, M., & Tuncel, D. (2016). Tıkayıcı Uyku Apnesinin Yapay Sinir Ağları ve Morfolojik Filtreler kullanılarak Sınıflandırılması İçin Yeni Yöntem. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 19, 52. doi:10.17780/ksujes.74055
Öztürk, M., & Paksoy, T. (2018). Buğday Tipi Sınıflandırma için Yapay Sinir Ağı Uygulaması: Yeni Bir Yapay Zeka Eğitimi Yazılımı. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 21, 246–257. doi:10.17780/ksujes.332770 Sannakki, S., Rajpurohit, V. S., Sumira, F., & Venkatesh, H. (2013). A neural network approach for disease forecasting in grapes using weather parameters. In 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT) (pp. 1–5). doi:10.1109/ICCCNT.2013.6726613
Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., & Stefanović, D. (2016). Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Computational Intelligence and Neuroscience, 2016.
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. (2017). Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 31(1). Retrieved from https://ojs.aaai.org/index.php/AAAI/article/view/11231
Too, E. C., Yujian, L., Njuki, S., & Yingchun, L. (2019). A comparative study of fine-tuning deep learning models for plant disease identification. Comput. Electron. Agric., 161, 272–279.
Ucar, F., & Korkmaz, D. (2020). COVIDiagnosis-Net: Deep Bayes-SqueezeNet based diagnosis of the coronavirus disease 2019 (COVID-19) from X-ray images. Medical Hypotheses, 140, 109761–109761. doi:10.1016/j.mehy.2020.109761
Wang, G., Sun, Y., & Wang, J. (2017). Automatic Image-Based Plant Disease Severity Estimation Using Deep Learning. Computational Intelligence and Neuroscience, 2017, 1–8. doi:10.1155/2017/2917536
Yamamoto, K., Togami, T., & Yamaguchi, N. (2017). Super-Resolution of Plant Disease Images for the Acceleration of Image-based Phenotyping and Vigor Diagnosis in Agriculture. Sensors, 17(11). doi:10.3390/s17112557
Zhang, S., Huang, W., & Zhang, C. (2019). Three-channel convolutional neural networks for vegetable leaf disease recognition. Cognitive Systems Research, 53, 31–41.
Zhang, X., Zhou, X., Lin, M., & Sun, J. (2018). Shufflenet: An extremely efficient convolutional neural network for mobile devices (pp. 6848–6856). Presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.

Details

Primary Language

Turkish

Subjects

Electrical Engineering

Journal Section

Research Article

Authors

İpek Atik ^*
0000-0002-9761-1347
Türkiye

Publication Date

June 3, 2022

Submission Date

March 31, 2022

Acceptance Date

May 20, 2022

Published in Issue

Year 2022 Volume: 25 Number: 2

DOI

https://doi.org/10.17780/ksujes.1096541

IZ

https://izlik.org/JA67LZ69AW

Cite

RIS / Bibtex

APA

Atik, İ. (2022). DERİN ÖĞRENME YÖNTEMİ İLE BİTKİ YAPRAĞI HASTALIK SINIFLANDIRMA ÇALIŞMASI PERFORMANS ANALİZİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 25(2), 126-137. https://doi.org/10.17780/ksujes.1096541

Cited By

The severity level classification of Fusarium wilt of chickpea by pre-trained deep learning models

Journal of Plant Pathology

https://doi.org/10.1007/s42161-023-01520-z