Deri̇n Öğrenme Yöntemi̇ İle Bi̇tki̇ Yapraği Hastalik Siniflandirma Çalişmasi Performans Anali̇zi̇

Abstract

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.