Mısır yaprak hastalıklarının tespitinde yapay zeka modellerinin etkinliğinin saptanması

Mısır, stratejik bir tarım ürünü olarak gıda ve yem kaynağı açısından büyük öneme sahiptir; ancak yaprak hastalıkları, üretimde önemli kayıplara neden olmaktadır. Geleneksel teşhis yöntemlerinin zaman alıcı ve hata oranı yüksek olması, tarımda yenilikçi çözümler arayışını hızlandırmıştır. Bu çalışmada, Evrişimsel Sinir Ağları (CNN) kullanılarak mısır yaprak hastalıklarının otomatik teşhisi incelenmiştir. Kaggle'dan alınan ve hastalıklı ile sağlıklı yaprak görüntülerini içeren veri seti, %80 eğitim, %10 Validation ve %10 Test oranında ayrılarak farklı CNN modellerinin performansları karşılaştırılmıştır. ConvNeXt modeli %96 doğruluk oranıyla en yüksek performansı sergilerken, DenseNet %95 ve EfficientNet %94 doğruluk oranları ile onu takip etmiştir. MobileNet, %92 doğruluk oranı ve düşük hesaplama maliyetiyle öne çıkmıştır. Sonuçlar, modern CNN mimarilerinin eski nesil modellere kıyasla daha yüksek doğruluk ve verim sağladığını göstermektedir. Derin öğrenme teknolojilerinin tarımsal uygulamalarda kullanımı, hastalık teşhisinde etkin ve güvenilir çözümler sunarak tarım sektöründe önemli bir potansiyel taşımaktadır.