Yapay sinir ağları ve derin öğrenme teknikleri kullanılarak elma ve ayvada çeşitli hastalıkların tespit edilmesi
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma kapsamında, üç farklı kişiden alınan 7 sınıf için 150 adet RGB görüntü kullanılarak bir veri seti elde edilmiştir. Veri kümelerine veri artırma yöntemleri uygulanmış, görüntü sayısı her bir sınıf için 900 adet olacak şekilde toplam 6300'den, 12600'e yükseltilmiştir. Hastalıkların sınıflandırılması için hem problemin çözümüne yönelik 10 katmanlı bir evrişimli derin ağ modeli oluşturulmuş hem de derin öğrenme yöntemlerinden biri olan aktarımlı öğrenme yöntemi kullanılarak hazır modellerden VGG16, Inception ve ResNet derin ağ mimarileri kullanılmıştır. Ayrıca derin öğrenmenin öznitelik çıkarımı tekniğinden faydalanılarak elde edilen öznitelik vektörü ile geleneksel makine öğrenme yöntemlerinden olan Destek Vektör Makineleri (Support Vector Machines, SVM) ve K- En Yakın Komşu(K- Nearest Neighbor, K-NN) yöntemleri ile sınıflandırılmıştır. Elde edilen sonuçlar zaman ve başarım oranlarına göre kıyaslanarak, en başarılı yöntem belirlenmiştir. Bu çalışmada, görsel hasar bırakan elma ve ayva yüzeyinde iz bırakan hastalıkların, yapılan analizler sonucunda başarılı bulunan derin öğrenme yöntemlerinden biri olan aktarımlı öğrenme kullanılarak gerçek zamanlı yazılı dile çevrilmesi sağlanmış böylece hastalığın tespiti sağlanmıştır. Ayrıca, tasarlanan bu gerçek zamanlı sistem ile elma ve ayva hastalıklarına ait görüntüleri tanıma ve tahminini bilgisayar ekranına yazdırmasındaki başarısı değerlendirilmiştir.
Within the scope of this study, a data set was obtained using 150 RGB images for 7 classes taken from three different people. Data enhancement methods were applied to data sets, and the number of images was increased from 6300 to 12600, from 900 for each class. For the classification of the diseases, a 10-layer convolutional deep network model was created for the solution of the problem, and by using the transfer learning method, one of the deep learning methods, VGG16, Inception and ResNet deep network architectures were used. In addition, the feature vector obtained by using the feature extraction technique of deep learning and the traditional machine learning methods, Support Vector Machines (SVM) and K-Nearest Neighbor (K-NN) methods were classified. The most successful method was determined by comparing the obtained results according to time and performance rates. In this study, diseases that leave marks on the surface of apple and quince that cause visual damage were translated into real-time written language using transfer learning, which is one of the deep learning methods that was found successful as a result of the analyzes, thus the disease was detected. In addition, with this designed real-time system, its success in recognizing and predicting the signs of apple and quince diseases on the computer screen was evaluated.
Within the scope of this study, a data set was obtained using 150 RGB images for 7 classes taken from three different people. Data enhancement methods were applied to data sets, and the number of images was increased from 6300 to 12600, from 900 for each class. For the classification of the diseases, a 10-layer convolutional deep network model was created for the solution of the problem, and by using the transfer learning method, one of the deep learning methods, VGG16, Inception and ResNet deep network architectures were used. In addition, the feature vector obtained by using the feature extraction technique of deep learning and the traditional machine learning methods, Support Vector Machines (SVM) and K-Nearest Neighbor (K-NN) methods were classified. The most successful method was determined by comparing the obtained results according to time and performance rates. In this study, diseases that leave marks on the surface of apple and quince that cause visual damage were translated into real-time written language using transfer learning, which is one of the deep learning methods that was found successful as a result of the analyzes, thus the disease was detected. In addition, with this designed real-time system, its success in recognizing and predicting the signs of apple and quince diseases on the computer screen was evaluated.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
