Domates bitkisinde ToBRFV hastalığının derin öğrenme yöntemleriyle erken tespiti

Bu tez çalışmasında, domates bitkisinde görülen domates meyve buruşukluk virüsünün (ToBRFV) yapay zeka ile erken tespiti üzerine çalışılmıştır. Eskişehir Osmangazi Üniversitesi (ESOGÜ) tarafından yürütülen öncelikli alan projesi (ÖNAP) kapsamında Adana Biyolojik Mücadele Araştırma Enstitüsü'nün tam kontrollü seralarında ticari domates çeşidinin sağlıklı ve ToBRFV sınıflandırması için bitkilerden 29 gün aralığında belirlenen günlük peryotlarda görüntüler toplanmıştır. Görüntüler, 800 nm ve 1000 nm dalga boyu, 400-1100 nm geniş spektral aralığı ve 400-700 nm görülebilir ışık spekturumunda çekilerek dört özgün veri seti oluşturulmuştur. ToBRFV'nin erken tespitinin hangi dalga boyu veya spektral aralıkta sınıflandırdığı belirlemek için Densenet169, Mobilenet V2, Resnet50 V2 ve Xception derin öğrenme modelleri ile tez kapsamında önerilen evrişimli sinir ağı (CNN) tabanlı model kullanılmıştır. Önerilen modelde darboğaz kalıntı bloğu ile kanal dikkat modülü kullanılarak diğer modellere göre daha az karmaşık ağ yapısı ve hesaplama maliyeti düşük ağ modeli oluşturulmuştur. Derin öğrenme modelleri ile hastalık tespitinin analizi iki yaklaşımla yapılmıştır. Birinci yaklaşımda, ToBRFV'nin bitki yaprağındaki belirtilerinin zamanla nasıl değiştiğini anlamak için üç zaman serisi modeli ile gün bazlı kümülatif ve gün bazlı hesaplama ile sınıflandırma yapılmıştır. Bu yaklaşımda, Xception ve önerilen model ile 1000 nm dalga boyunda hem sağlıklı hem de virüslü bitkilerin tespiti %100 başarı ile gerçekleştirilmiştir. İkinci yaklaşımda ise tüm günlere ait görüntüler kullanılarak zaman temelli olmayan sınıflandırma gerçekleştirilmiş ve önerilen modelle 1000 nm spektral bantta %98 virüslü bitki tahmin başarısı elde edilmiştir. Sonuçlar, domates çeşidinde 1000 nm spektral bandında önerilen CNN modelinin ToBRFV'nin erken tespitini yüksek doğrulukla gerçekleştirdiğini göstermektedir.