Bitki hastalıklarının tespitinde geleneksel makine öğrenmesi ve derin öğrenme yöntemlerinin başarım karşılaştırması

Geleneksel makine öğrenmesi (GMÖ) ve derin öğrenme (DÖ), yapay zeka alanında iki önemli yaklaşımdır. GMÖ, tahmine dayalı modeller oluşturmak için destek vektör makineleri (DVM), k-en yakın komşular, karar ağaçları gibi çeşitli algoritmalar kullanır. Bu yaklaşımda özellik çıkartımı, algoritmanın başarımını etkileyen en önemli unsurdur. GMÖ küçük veri kümelerinde başarılı sonuçlar elde ederken karmaşık veriler ve büyük ölçekli veri kümelerinde aynı başarıyı gösteremezler. Makine öğrenmesinin bir alt kümesi olan DÖ ise ham veriden hiyerarşik özellik temsillerini otomatik olarak öğrenmek için çok katmanlı sinir ağlarını kullanır. Finans, endüstri, tıp gibi alanlarda ve görüntü sınıflandırma, doğal dil işleme ve ses-tanıma işleme gibi çalışmalarda çok iyi sonuçlar elde ederken büyük miktarda veri ve hesaplama kaynağı gerektirir. Bu tez çalışması GMÖ ve DÖ modellerinin tahmin performansını karşılaştırmak amacıyla bitki hastalıklarının bilgisayar destekli teşhisini sunmaktadır. Bitki hastalıklarının tespiti, modern tarımda ürün kayıplarını en aza indirmek ve gıda güvenliğini sağlamak açısından çok önemlidir. Bitki hastalıklarının erken ve doğru bir şekilde belirlenmesi pestisit kullanımını azaltabilir, mahsul verimini artırabilir ve ürün kalitesini iyileştirebilir. Bu amaçla, çalışmada geleneksel yöntemlerden Lineer Regresyon, DVM ve Rastgele Orman ile DÖ yöntemlerinden Evrişimli Sinir Ağı, LSTM, YOLOv8 ve VGG16 algoritmalarının performansları karşılaştırılmıştır. Elde edilen sonuçlar GMÖ'de DVM için %83 ile en yüksek olmak üzere ortalama %77,9 doğruluk elde edilirken DÖ'de CNN için doğruluk en yüksek %99 ve ortalama %91,8 olarak elde edilmiştir.