Application of potential disease detection techniques in greenhouses and their impact on sustainability
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Tarım Makinaları ve Teknolojileri Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: AKO KAKARASH OMER
Danışman: Yeşim Benal Öztekin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Tarımda yapay zeka kullanımı, ürün verimini artırmak, hastalık ve zararlılar nedeniyle %40'lara kadar ulaşan ürün kayıplarını en aza indirmek için zorunlu hale gelmiştir. Bu bağlamda, yapraktan bitki hastalığı tespiti odaklanılan önemli bir araştırma alanı haline gelmiştir. Farklı araştırmacılar, yapay zeka teknikleri kullanarak yaprak virüsü tanımlaması için aktif çözümler aramaktadırlar. Bu çalışmanın öncelikli amacı, CNN modelleri ile, hastalık seraya yayılmadan önce sınırlı veri mevcudiyeti ile domates bitkisinde bazı hastalık belirtilerini erken dönemde yapraktan tespit edebilen güvenilir bir yapay zeka modeli oluşturmaktır. Bu amaçla öncelikle, Altıayak-Antalya'da yer alan iki farklı seradan sağlıklı ve üç farklı tür hastalığa sahip domates bitkisi yaprak görüntüleri bir cep telefonu kamerası yardımıyla alınarak bu görüntülerden seçim yapılmış ve görüntüler etiketlenmiştir. Sınırlı sayıda elde edilen görüntülere veri artırma metodu uygulanmış ve bunlar en yaygın kullanılan beş farklı CNN mimarisi (VGG16, VGG19, InceptionV3, DenseNet201 ve MobileNet) ile önceden eğitilmiş model ağırlıklarından yararlanmak için transfer öğrenmesi kullanılarak eğitilmiş ve sonuçta eşit sayıda epok ve hiperparametre için sıfırdan yeni bir CNN modeli elde edilmiştir. Modellerin sınıflandırma doğrulukları VGG16, VGG19, InceptionV3, MobileNet, DenseNet201 ve yeni elde edilen CNN modeli için sırasıyla %89.23, %83.5, %87.88, %94.28, %90.91 ve %83.0 olarak bulunmuştur. Elde edilen sonuçlar, sınırlı verilerle bile olsa sera ortamlarında hastalık tespiti için gelişmiş CNN mimarileri kullanımının uygulanabilirliğini ortaya koymuştur. Tüm modeller arasında MobileNet, %94.28'lik bir sınıflandırma doğruluğu ile diğer tüm modellere göre daha başarılı olmuştur. Bu sonuçlar MobileNet modelinin domates hastalıklarını doğru bir şekilde tespit etmedeki potansiyelini ortaya koymaktadır. Etkili mimarisi, özel düzenlemesi ve veriye uygunluğu göz önüne alındığında en yüksek doğruluk elde etme başarısına sahip mimarinin MobileNet olduğu söylenebilir. Sonuç olarak, kapsam ve uygulama alanının genişletilmesi için kamu kurumları, tarımsal araştırma merkezleri ve işletmelerin işbirliği yaparak daha fazla veri kullanımı ile daha fazla sınıfa yönelik gerçek zamanlı sera izleme sistemleri konusunda araştırmalar yapılması önerilmektedir.