No abstract

No abstract

Plant diseases and pests cause yield and quality losses. It has great importance to detect plant diseases and pests quickly and with high accuracy in terms of preventing yield and quality losses. Plant disease and pest detection performed by plant protection experts through visual observation is a labor-intensive process with a high error rate. Developing effective, fast and highly successful computer-aided disease detection systems has become a necessity in terms of precision agriculture applications. In this study, well-known pre-trained convolutional neural network (CNN) models AlexNet, GoogLeNet and ResNet-50 are used as feature extractors. In addition, a deep learning model that concatenate deep features extracted from 3 CNN models has been proposed. The deep features were used to train the support vector machine classifier. The proposed model was used to classify leaf images of tomato plant diseases and pests, which is a subset of open-access PlantVillage dataset consisting of a total of 18835 images belonging to 10 classes including a healthy one. Accuracy, precision, sensitivity and f-score performance metrics were used with the hold-out validation method in determining model performances. Experimental results show that the detection of tomato plant diseases and pests is possible using concatenated deep features with an overall accuracy rate of 96.99%.

No abstract

Öz: Katlanmış haploid mısır ıslah tekniği gerek ıslah süresini kısaltması, gerekse %100 homozigot hatlar elde edilmesi açısından, geleneksel ıslah yöntemleri ile karşılaştırıldığında önemli avantajlar sağlar. Katlanmış haploid mısır ıslah yönteminde önemli işlerden biri melezleme sonucunda elde edilen haploid ve diploid tohumların ayrıştırılmasıdır. Günümüzde bu işlemin elle yapılıyor olması, emek ve zaman kaybının yanı sıra yüksek sınıflandırma hatalarına neden olmaktadır. Bu çalışmada, haploid mısır tohumlarının tanımlanması için bilgisayar görmesine dayalı bir yöntem önerilmiştir. 3000 mısır tohumundan oluşan veri seti üzerinde yürütülen çalışmada, k-ortalamalar kümeleme yöntemi ile mısır tohum embriyoları bölütlenmiştir. RGB, HSV ve Lab renk uzaylarında her renk kanalı için ilk dört dereceden renk momentleri çıkarılmıştır. Böylece her renk uzayı için 12 öznitelik kullanılmıştır. Elde edilen öznitelikler destek vektör makinesi ile sınıflandırılmıştır. Daha genel sonuçlar elde edebilmek için 10-kat çapraz doğrulama yöntemi 20 kez tekrar edilmiştir. Deneysel sonuçlara göre en iyi performans Lab renk uzayında %87,03 doğruluk, %80,15 duyarlılık ve %93,00 özgünlük değerleriyle ölçülmüştür.Anahtar kelimeler: mısır, haploid tanıma, renk uzayları, renk momentleri, destek vektör makineleri.Abstract: Doubled haploid maize breeding technique provides significant advantages over conventional breeding methods both in terms of shortening breeding time and obtaining 100% homozygous lines. One of the important works in doubled haploid maize breeding method is the separation of haploid and diploid seeds obtained as a result of hybridization. Today, this process is performed by hand, as well as loss of labor and time causes high classification errors. In this study, a computer vision based method for identification of haploid maize seeds was proposed. In the study conducted on the dataset of 3000 maize seeds, seed embryos were segmented by k-means clustering method. In the RGB, HSV and Lab color spaces, the first four degrees of color moments are extracted for each color channel. Thus, 12 features were used for each color space. Obtained features were classified with support vector machine. To obtain more general results, the 10-fold cross-validation method was repeated 20 times. According to the experimental results, the best performance was measured with 87,03% accuracy, 80,15% sensitivity and 93,00% specificity in Lab color space.