Yapay zeka ile domates hastalıklarının tespiti ve sınıflandırılması

Hızla artan küresel nüfus ile birlikte dünyada gıda talebi sürekli artmaktadır. Tarım alanlarının sınırlı olması ve iklimsel değişiklikler artan bu ihtiyacın karşılanmasında, tarımda verimin arttırılması ve kayıpların önlenmesini zorunlu kılmaktadır. Tarımdaki kayıpların önlenmesi için bitki hastalıkları ve zararlılarının, erken ve doğru bir şekilde tespit edilip sınıflandırılması, teknolojinin kullanımı ile mümkündür. Bu amaçla çalışmada, transfer öğrenme yöntemi ile domates yaprak hastalıklarının sınıflandırması yapılmıştır. Çalışma kapsamında Antalya bölgesinden elde edilen domates yaprağına ait 1100 adet ToBRFV (Tomato Brown Rugose Fruit Virus/Domates Kahverengi Buruşukluk Meyve Virüsü) içeren görüntüler veri arttırma yöntemleri ile arttırılmış, 3070 adet görüntüden oluşan ToBRFV veri kümesi oluşturulmuştur. Oluşturulan ToBRFV veri kümesi, 11 sınıfa ait görüntüler içeren veri arttırma uygulanmış "Tomato Disease Multiple Sources" isimli veri kümesiyle birleştirilmiş, daha geniş kapsamlı veri kümesi oluşturulmuştur. 35550 görüntü ve 12 sınıftan oluşturulan bu veri kümesi, tabakalı 5-katlı çapraz doğrulama kullanılarak transfer öğrenme yöntemiyle Vgg19, ResNet101 ve EfficientNetB3 mimarileri kullanılarak 10 dönem eğitilmiş ve performans sonuçları kıyaslanmıştır. Vgg19, ResNet101 ve EfficientNetB3 mimarilerine ait ortalama test doğrulukları sırasıyla %85,02, %96,96 ve %99,27 olmuştur. Her mimarideki 5 çapraz doğrulama sonucu oluşan 15 farklı modelden, EfficientNetB3-Model 1 ise %99,54 ile çalışmadaki en iyi test doğruluğu sonucunu vermiştir. Ayrıca aynı model, ToBRFV dahil 3 sınıfa ait görüntüleri tam doğrulukla sınıflandırmıştır. Elde edilen sonuçlarla farklı domates hastalıklarının da sınıflandırılmasında EfficientNetB3 mimarisinin, güvenilir ve doğru bir şekilde kullanılabileceği görülmektedir.