In recent years, image processing and deep learning have been widely used in the detection and classification of plant diseases. These uses offer great opportunities for the early detection of plant diseases in agriculture. Early detection of the disease is essential to prevent disease symptoms from spreading to intact leaves and to reduce crop damage. For the stated reasons, a deep learning model with three different approaches has been proposed and used for the classification of diseases that are most common in citrus leaves and affect citrus export to a great extent. Training and test data used in the proposed model are separated according to the K-fold 5 value. For this reason, the average of the performance values obtained according to the K-fold 5 value is presented in the study. As a result of the experimental studies, with the fine-tuned DenseNet201 model, which is the first model, an accuracy rate of 0.95 was achieved. In the second model, with the proposed 21-layer CNN model, an accuracy rate of 0.99 was achieved. The third model is defined to show the progress of the proposed DenseNet201 model over the basic DenseNet201 model. With the CNN method recommended for the classification of citrus grades, Blackspot (citrus black spot (CBS), canker (citrus bacterial cancer (CBC)), greening (huanglongbing (HLB)), and (healthy) Healthy) 100%, 100%, 98% and 100% rates have been reached.
Citrus disease convolutional neural network deep learning transfer learning
Son yıllarda görüntü işleme ve derin öğrenme bitki hastalıklarının tespiti ve sınıflandırılmasında yaygın olarak kullanılmaktadır. Bu kullanımlar, tarım alanında bitki hastalıklarının erken tespiti için büyük fırsatlar sunmaktadır. Hastalığın erken tespiti, hastalık belirtilerinin sağlam yapraklara yayılmasını engellemek ve mahsule zarar vermesini azaltabilmek için gereklidir. Belirtilen sebeplerden dolayı narenciye yapraklarında en sık görülen ve narenciye ihracatını büyük ölçüde etkileyen hastalıkların sınıflandırılması için üç farklı yaklaşımla derin öğrenme modeli önerilmiş ve kullanılmıştır. Önerilen modellerde kullanılan eğitim ve test verileri K-fold 5 değerine göre ayrılmıştır. Bu nedenle çalışmada K-fold 5 değerine göre elde edilen performans değerlerinin ortalaması sunulmuştur. Deneysel çalışmalar neticesinde birinci model olan ince ayarlı DenseNet201 modeli kullanarak 0.95 doğruluk oranına ulaşılmıştır. İkinci modelde ise önerilen 21 katmanlı CNN modeli ile 0.99 doğruluk oranına ulaşılmıştır. Üçüncü model ise önerilen DenseNet201 modelinin temel DenseNet201 modeline göre ilerlemesini göstermek için tanımlanmıştır. Önerilen CNN yöntemi ile Blackspot (citrius siyah nokta (CBS)), canker (citrius bakteriyel kanseri (CBC)), greening (huanglongbing (HLB)) ve (sağlıklı) Healthy adlı sınıflara sahip olan narenciye bitkisine ait görüntüler sırasıyla %100, %100, %98 ve %100 sınıflandırma oranlarına ulaşılmıştır.
Birincil Dil | İngilizce |
---|---|
Konular | Bilgisayar Yazılımı |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 15 Mart 2023 |
Gönderilme Tarihi | 5 Eylül 2022 |
Yayımlandığı Sayı | Yıl 2023 |