Çilekteki yapraklarındaki kalsiyum eksikliği ve fizyolojik durumun derin öğrenme kullanılarak tespit edilmesi

Bitkilerdeki hastalıkları, bozuklukları ve fizyolojik değişiklikleri tespit etmek, mahsulün zarar görmesini önlemek ve gıda üretimini artırmak için önemlidir. Bu çalışmada, çilek bitkisinde kalsiyum eksikliği ve klorofil eksikliğine bağlı fizyolojik bir değişikliği tespit etmek için bir CNN ağı önerilmiştir. Önerilen model ile performanslarının karşılaştırılması amacıyla bazı bilinen modeller üzerinde transfer öğrenme yöntemi uygulanmıştır. Modelleri eğitmek için kullanılan veri seti bir seradan çilek bitkisinin yapraklarının fotoğraflanması ile oluşturulmuştur. Ayrıca, veri seti "sağlıklı yaprak", "kalsiyum eksikliği olan yapraklar" ve "yaşlı yapraklar" (klorofil eksikliği) olmak üzere 3 sınıf farklı sınıftan toplam 1955 görüntü içermektedir. Sınıflandırma iki aşamada yapılmıştır, sağlıklı yaprak ve kalsiyum eksikliği olan yaprakların kullanıldığı ikili bir sınıflandırma, ikinci aşamada ise yaşlı yapraklar eklendikten sonra çoklu sınıflandırma yapılmıştır. Önerilen modelin, kullanılan transfer öğrenme modellerinden daha yüksek olan % 98,97'lik bir doğruluğa ulaştığı gösterilmiştir. Ayrıca öğrenme oranının önerilen modelin performansı üzerindeki etkisi tartışılmıştır. Anahtar kelimeler: Deep leaning, Convolutional neural network, Strawberry disorder, Artificial intelligence, Machine learning