Anahtar kelimeler: Derin öğrenme, Evrişimli sinir ağı, Hassas tarım, Yapay zekâ, Çeltik bitkisi. ÖzDünya çapında pirinç tüketimi göz önüne alındığında pirincin önemli bir yere sahip olduğu görülür. Çeltik bitkisi, buğdaygiller ailesinden mısır ve buğdaydan sonra en fazla ekimi yapılan bitkidir. Tarım alanındaki son araştırma konularından biriside, bir bitkinin yaprak görüntülerinden hastalıkların tanınması veya sınıflandırılmasıdır. Yaprak görüntülerinden çeltik hastalığının otomatik bir şekilde teşhis edilmesi, geliştirme aşamasında olan bir araştırma konusudur. Bu gelişime katkı sağlamak amacıyla farklı öğrenme yöntemleri kullanılarak hastalığın erken teşhisi için önemli çalışmalar yapılmaktadır. Bu çalışmada temel olarak hastalıkları tespit etmek için bir makine öğrenme yöntemi olan derin öğrenme modelleri kullanılmıştır. Bu çalışmada derin Evrişimli Sinir Ağı (ESA) kullanılarak çeltik bitkisinin hastalıklı olup olmadığı tespit edilmiştir. Çalışmada kullanılan 5000 adet çeltik bitkisi yaprağına ait veri seti Kaggle sitesinden alınmıştır. Hastalığın tespiti için çeltik bitkisine ait üç hastalık (BrowSpot, LeafBlast ve Hispa) ve sağlıklı olmak üzere toplam iki sınıflı sınıflandırma yapılmıştır. Çeltik bitkisinin hastalığının tespiti için kullanılan ESA'nın hiper-parametrelerinde değişiklik yapılarak %91,54'lük bir başarım oranı elde edilmiştir. Veri artırma yöntemiyle veri setindeki 5000 görüntüden 8000 çeltik bitki yaprağı görüntüsü elde edilmiş ve ESA için bu görüntüler üzerinden yapılan eğitimden sonra %94,87'lik bir başarım oranı elde edilmiştir. Kullanılan veri setindeki görüntüler üzerinden ön işlem yapıldıktan sonra ESA ile eğitim işleminden sonra %97,57'lik bir başarım oranı elde edilmiştir.
Artificial intelligence has been developing day by day and has started to take a more prominent place in human life. As computer technologies advance, research on artificial intelligence has also increased in this direction. One of the main goals of this research is to examine how real problems in human life can be solved using artificial intelligence-based deep learning, and to present a case study. Poisoning from the consumption of poisonous fungi is a common problem worldwide. To prevent these poisonings, a mobile application has been developed using Convolutional Neural Networks (CNNs) and transfer learning to detect the species of fungus. The application informs the user about the type of fungus, whether it is poisonous or non-toxic, and whether it is safe to eat. The aim of this study is to reduce poisoning events caused by incorrect fungus detection and to facilitate the identification of fungus species. The developed deep learning model is integrated into a mobile application developed by Flutter that is a mobile application development framework, which enable the detection of fungus species from images taken from the camera or selected from the gallery. CNNs and the EfficientNetV2 model, a transfer learning method, were used. By using these two methods together, the classification accuracy rate for 77 fungus species was obtained as 97%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.