Abstract:
Tarımsal üretimde verim kayıplarını minimize etmek ve sürdürülebilirliği sağlamak amacıyla bitki hastalıklarının erken ve doğru tespiti büyük önem taşımaktadır. Özellikle geniş tarım arazilerinde geleneksel gözleme dayalı yöntemlerin zaman alıcı, maliyetli ve öznel olması, otomatik ve yüksek doğruluklu izleme sistemlerine olan ihtiyacı artırmıştır. Bu tez çalışmasında, İnsansız Hava Aracı (İHA) ile elde edilen yüksek çözünürlüklü görüntüler kullanılarak, turp bitkisindeki solgunluk (wilt) hastalığının şiddet seviyelerinin (Sağlıklı, Hafif Hastalıklı, Ağır Hastalıklı) otomatik olarak sınıflandırılması amaçlanmıştır. Çalışma kapsamında, literatürdeki açık kaynaklı veri setlerinden yararlanılmış ve önerilen yöntemin başarımı referans çalışmalarla (GoogleNet) karşılaştırılmıştır. Metodolojik süreçte ilk olarak, karmaşık arka plan unsurlarını (toprak, malç filmi, bitki) elimine etmek ve sadece bitki alanlarına odaklanmak amacıyla K-means kümeleme algoritması ve Oto-kodlayıcı destekli hibrit bir görüntü segmentasyon mimarisi kullanılmıştır. Sınıflandırma aşamasında ise, klasik Evrişimli Sinir Ağları (CNN) yerine, özdenetimli öğrenme yeteneğine sahip ve "Vision Transformer (ViT)" tabanlı modern bir mimari olan DINOv2 tercih edilmiştir. Modelin eğitimi sırasında veri artırma (data augmentation) teknikleri uygulanarak sınıf dengesizliği giderilmiş ve model ince ayar (fine-tuning) yöntemiyle optimize edilmiştir. Deneysel sonuçlar, sınıf başına 500 adet görüntüden oluşan toplam 1500 adetlik saf test kümesi üzerinde değerlendirilmiştir. DINOv2 tabanlı model, %94,67 genel doğruluk oranına ulaşarak, literatürdeki klasik CNN tabanlı GoogleNet modelinin (%91,00) performansını belirgin bir şekilde geride bırakmıştır. Ayrıca hesaplanan genel F1-skoru (0,9466), modelin özellikle görsel olarak ayırt edilmesi en zor olan "hafif hastalıklı" geçiş sınıfında bile (0,9203 F1-Skoru) yüksek kararlılık sergilediğini ortaya koymuştur. Elde edilen bulgular, modern Transformer mimarilerinin tarımsal hastalık tespitinde, görüntüdeki küresel bağlamı yakalama yeteneği sayesinde klasik yöntemlere kıyasla daha etkin ve güvenilir bir alternatif olduğunu göstermektedir.
