Derin Öğrenme Tabanlı Bitki Hastalıkları Tespit ve Tahmin Sistemi: PlantVillage Veri Seti ile Uygulama

Abstract

Bitki hastalıkları tarımsal üretkenliğe yönelik en önemli tehditler arasında yer almakta ve küresel gıda güvenliği için ciddi riskler oluşturmaktadır. Geleneksel hastalık teşhis yöntemleri zaman alıcı, maliyetli ve insan hatasına açıktır; bu da onları büyük ölçekli tarımsal uygulamalar için yetersiz kılmaktadır. Bu çalışmada, bitki hastalıklarının otomatik ve yüksek doğrulukta tespiti için derin öğrenme tabanlı bir yaklaşım geliştirilmiştir. PlantVillage veri setinden elde edilen kapsamlı, etiketli ve yüksek kaliteli görüntüler kullanılarak özel bir Evrişimli Sinir Ağı (CNN) modeli tasarlanmış ve 9 farklı bitki türünde 29 sınıfta çok sınıflı sınıflandırma gerçekleştirilmiştir. Veri setinde gözlemlenen sınıf dengesizliği sorununu azaltmak için veri artırma gibi çeşitli dengeleme teknikleri uygulanmıştır. Aşırı uyumu önlemek için bırakma, erken durdurma ve model kontrol noktası gibi düzenleme yöntemleri kullanılmıştır. Eğitim süreci boyunca model performansı doğruluk, kesinlik ve geri çağırma gibi ölçütler kullanılarak yakından izlenmiş ve grafiksel gösterimlerle görselleştirilmiştir. Sonuçlar, önerilen yaklaşımın genel doğruluk ve azınlık sınıflarını tanıma açısından başarılı bir şekilde performans gösterdiğini göstermektedir. Geliştirilen sistemin gelecekte insansız hava araçlarına veya gömülü sistemlere entegre edilebileceği ve geniş tarım alanlarında gerçek zamanlı hastalık takibi ve erken müdahaleye olanak sağlayacağı öngörülmektedir. Bu bağlamda, çalışma sürdürülebilir ve akıllı tarım uygulamalarına katkıda bulunmayı amaçlamaktadır.