DERİN ÖĞRENME YÖNTEMLERİ İLE YAPRAK GÖRÜNTÜLERİNDEN HASTALIKLARIN BELİRLENMESİ

Abstract

Yapay zekanın temelini oluşturan Konvolüsyonel Sinir Ağları (KSA), Derin Öğrenme (DÖ) modellerinde insan sinir ağlarının yapısına benzer şekilde tasarlanmıştır. Akıllı bilgisayarlar, tahmin, öneri ve karar verme yazılım sistemleri, yapay zekanın gelişmesiyle birlikte çok önemli hale gelmiştir. Birçok alanda (tarım, sağlık, siber güvenlik, savunma sanayi, ulaşım vb.) DÖ modelleriyle tahmin gücü ve doğruluğu yüksek hesaplamalar yapılabilmektedir. Özellikle DÖ modelleri ve analiz sistemleri, büyük ve karmaşık verileri sınıflandırırken insan gücü ve mantığının sınırlı olduğu alanlarda yüksek kaliteli ve doğru sonuçlar üretmek için yaygın olarak kullanılmaktadır. Büyük veri setleri kullanılarak DÖ modellerinin eğitilmesi ve hastalık tespiti süreçlerinin otomatikleştirilmesi tarım alanında verimliliği artırarak çiftçileri doğru teknikleri kullanmaya teşvik etmektedir. Bu teknolojilerin tarımda kullanılması hassasiyeti artırarak, zaman ve maliyet etkin, yüksek kaliteli ürün üretimini mümkün kılmaktadır. Havadan görüntü alma süreci, İnsansız Hava Araçlarının (İHA) gelişimi ve kullanımının artmasıyla hızlanmaktadır. Ayrıca gelişmiş kameralar kullanılarak alınan yüksek çözünürlüklü görüntülerin, üst seviye teknolojik bilgisayar sistemlerinde etkin yazılımlar ve görüntü işleme teknikleriyle beraber kullanımıyla bitki kalitesinin ve sağlığının otomatik olarak tespiti mümkün hale gelmektedir. Bu çalışma, tarım arazilerinden İHA ile alınan patates bitkisi görüntülerinden oluşan bir veri seti kullanılarak patates bitkilerinin genel sağlığını belirlemeyi ve bu yöntemin diğer bitki türlerine uygulanabilirliğinin tespitini amaçlamaktadır. Ayrıca Güneydoğu Anadolu Projesi (GAP) bölgesindeki tarım arazilerinden fotoğraf makinesi ve İHA ile alınacak bitki görüntülerinden oluşan bir veri seti ile uygulanabilirliği de araştırılmaktadır. Sağlıklı, EY ve GY hastalığı gösteren yaprak görüntülerinden oluşan veri seti, önceden ImageNet veri setiyle eğitilmiş olan VGG19, DenseNet201, InceptionV3 ve InceptionResNetV2 DÖ modellerinde transfer öğrenme yöntemiyle yeniden eğitilmiştir. Ayrıca derin, orta ve sığ özellikler çıkarılarak ve hiper parametre optimizasyonu da uygulanarak Destek Vektör Makineleri (DVM) ve K-En Yakın Komşu (K-EYK) Makine Öğrenme (MÖ) modelleriyle özellik çıkarma yöntemine göre yeniden eğitilmiştir. Sınıflandırma metriklerine göre performans sonuçları karşılaştırılmıştır. Özellik çıkarma yönteminde en yüksek sınıflandırma başarı oranı K-EYK ile DenseNet201 modelinde ve en düşük sınıflandırma başarı oranı DVM ile InceptionResNetV2 modelinde bulunmuştur. Transfer öğrenme yöntemine göre, en yüksek sınıflandırma başarı oranı, Adam optimizasyonu yapılan DenseNet201 modelinde ve en düşük sınıflandırma başarı oranı, Sgdm optimizasyonu yapılan InceptionResNetV2 modelinde elde edilmiştir. Genel olarak, InceptionResNetV2 modeli en uzun süren eğitimi verirken, VGG19 modeli en kısa süren eğitimi vermiştir. Çalışmada, tarım arazilerinden alınan görüntü verileri kullanılarak yetiştirilen herhangi bir bitki türü sağlığının başarılı bir şekilde sınıflandırabileceği sonucuna varılmıştır.