A Comparative Analysis of Deep Learning Parameters for Enhanced Detection of Yellow Rust in Wheat

Basit Öğe Kaydı
dc.contributor.authorAdem, Kemal
dc.contributor.authorKavalcı Yılmaz, Esra
dc.contributor.authorÖlmez, Fatih
dc.contributor.authorÇelik, Kübra
dc.contributor.authorBakır, Halit
dc.date.accessioned2025-01-21T14:20:35Z
dc.date.available2025-01-21T14:20:35Z
dc.date.issued2024
dc.description.abstractWheat, one of the most important food sources in human history, is one of the most important cereal crops produced and consumed in our country. However, if diseases such as yellowpas, which is one of the risk factors in wheat production, cannot be detected in a timely and accurate manner, situations such as decreased production may be encountered. For this reason, it is more advantageous to use decision support systems based on deep learning in the detection and classification of diseases in agricultural products instead of experts who perform the processes in a longer time and have a higher error rate. In this study, the effects of the number of layers, activation function and optimization algorithm variables on the classification of deep learning models used for the classification of yellow rust disease in wheat were examined. As a result of the study, the highest success value was obtained with 97.36% accuracy when using a 5-layer CNN model using Leaky ReLU activation function and Nadam optimization algorithm.
dc.description.abstractİnsanlık tarihinin en önemli besin kaynaklarından biri olan buğday ülkemizde de üretimi ve tüketimi yapılmakta olan en önemi tahıl ürünlerinden biridir. Fakat buğday üretimindeki risk faktörlerinden biri olan sarıpas gibi hastalıkların zamanında ve doğru bir şekilde tespit edilememesi durumunda üretimin azalması gibi durumlarla karşı karşıya kalınabilmektedir. Bu nedenle zirai ürünlerdeki hastalıkların tespit ve sınıflandırılması işlemlerinde daha uzun sürede işlemleri gerçekleştiren ve hata yapma oranı daha yüksek olan uzmanlar yerine derin öğrenmeye dayalı karar destek sistemlerinin kullanılması daha avantajlıdır. Bu çalışmada da buğdaydaki sarı pas hastalığının sınıflandırılması işlemleri için kullanılan derin öğrenme modellerinde katman sayısı, aktivasyon fonksiyonu ve optimizasyon algoritması değişkenlerinin sınıflandırmaya etkisi incelenmiştir. Çalışma sonucunda en yüksek başarı değeri %97,36 doğruluk ile Leaky ReLU aktivasyon fonksiyonu ve Nadam optimizasyon algoritması kullanan 5 katmanlı CNN modeli kullanıldığında elde edilmiştir.
dc.identifier.dergipark1390763
dc.identifier.doi10.29137/umagd.1390763
dc.identifier.issn1308-5514
dc.identifier.issue2-659
dc.identifier.startpage667
dc.identifier.urihttps://dergipark.org.tr/tr/download/article-file/3537243
dc.identifier.urihttps://dergipark.org.tr/tr/pub/umagd/issue/83977/1390763
dc.identifier.urihttps://doi.org/10.29137/umagd.1390763
dc.identifier.urihttps://hdl.handle.net/20.500.12587/19228
dc.identifier.volume1
dc.language.isoen
dc.publisherKırıkkale Üniversitesi
dc.relation.ispartofUluslararası Mühendislik Araştırma ve Geliştirme Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241229
dc.subject“Wheat
dc.subjectYellow Rust
dc.subjectDeep learning
dc.subjectActivation function
dc.subjectOptimizer”
dc.subjectBuğday
dc.subjectSarı Pas
dc.subjectDerin Öğrenme
dc.subjectAktivasyon Fonksiyonu
dc.subjectOptimizasyon
dc.subjectDecision Support and Group Support Systems
dc.titleA Comparative Analysis of Deep Learning Parameters for Enhanced Detection of Yellow Rust in Wheat
dc.title.alternativeBuğdayda Sarı Pasın Gelişmiş Tespiti için Derin Öğrenme Parametrelerinin Karşılaştırmalı Analizi
dc.typeArticle

Dosyalar

Koleksiyon

Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi
TR-Dizin İndeksli Yayınlar Koleksiyonu