GÖRÜNTÜ İŞLEMENİN CONVOLUTIONAL NEURAL NETWORK(CNN) MODELİ KULLANILARAK TARIMSAL ALANDA UYGULANMASI: HASTALIKLI YAPRAK TESPİTİ

Abstract

ÖZET

Son yıllarda yapay zekâ alanındaki çalışmaların artmasıyla beraber görüntü işlemeye dayalı sınıflandırma çözümlerine olan ilgi artmıştır. Görüntü işleme çözümleri: tıp, tarım, güvenlik sistemleri, uzay bilimleri, endüstriyel sistemler ve savunma sanayi gibi birçok alanda yenilikçi çözümler sunarak çeşitli kolaylıklar sağlamaktadır. Bu alanlardan biri olan tarım endüstrisinde, toprak işleme, dikim, sulama ve ürün bakımı süreçlerinde kullanılan yapay zekâ uygulamaları giderek yaygınlaşmaktadır. Bu uygulamalar özellikle tarımsal üretimde verimliliği ve sürdürülebilirliği arttırma fırsatı sunarak ürün kalitesinin artmasında ve gıda güvenliğinin sağlanmasında önemli bir rol oynamaktadır. Ancak bitkilerdeki çeşitli hastalıklardan dolayı tarımda verim oranı ciddi anlamda düşüyor ve üretim kayıplarının önüne geçmek için bu hastalıkların tespitinde yapay zekâ çözümleri kullanılması hem maliyet hem de erken müdahale açısından avantajlı bir çözüm önerisi olarak değerlendirilebilir. Bu çalışmada, tarımda ürün kaybını azaltmayı ve verimliliği artırmayı hedefleyerek Convolutional Neural Network (CNN) modeli kullanarak bitki hastalıklarının erken tespiti için bir çözüm önerdik. PlantVillage veri seti, “The Plant Pathology Challenge 2020”’de kullanılmış olan veri seti ve DJI Phantom 3 Advanced insansız hava aracını ile elde ettiğimiz verilerden oluşturulan veri seti kullanıldı. Veri büyütme işlemi uygulanarak veri sayısı artırılmış, ardından geliştirilen CNN modeli ile görüntüler test edilmiştir. Veri setlerinde PlantVillage veri setinde %98.53, “The Plant Pathology Challenge 2020” ver setinde %83.2, tarafımızca hazırlanmış olan veri setinde %74.2 doğruluk oranları elde edilmiştir. Uygulama Anaconda 2020.11, Spyder 5 geliştirme ortamları kullanılarak Python programlama dilinde yapıldı.

ABSTRACT

In recent years, with the acceleration of studies in the field of artificial intelligence (AI), deep learning-enabled systems aim to imitate a certain part of human intelligence. In the field of image processing, the interest of pattern recognition and classification has increased. In addition, the development in image processing has offered various conveniences by enabling innovative solutions in many fields such as medicine, agriculture, security systems, space sciences, and defence industry. For instance, agriculture applications adopt the involvement of artificial intelligence in the process of tillage, planting, irrigation and crop care. These AI-based applications contribute to product quality and food safety by offering the opportunity to increase efficiency and sustainability. In contrast, diseases in plants tremendously reduce the crop in agriculture. In order to prevent this problem, efficient methods can be utilised for early detection of diseases to prevent crop losses. In this thesis, we propose a solution for early detection of plant diseases using the Convolutional Neural Network (CNN) model, aiming to reduce crop loss and increase productivity in agriculture. The PlantVillage dataset, the dataset used in "The Plant Pathology Challenge 2020", and the dataset created from the data we obtained with the DJI Phantom 3 Advanced unmanned aerial vehicle were used. The number of data was increased by applying the data augmentation process, and then the images were tested with the developed CNN model. In the datasets, PlantVillage dataset 98.53%, “The Plant Pathology Challenge 2020” 83.2%, created dataset by us 74.2% accuracy rates were obtained. The application was made using the Anaconda 2020.11, Spyder 5 development environments in the Python programming language.