Derin öğrenme kullanılarak üstten görünümlü veri seti üzerinde domates hastalıklarının tespiti

Domates (Solanum lycopersicum), dünya genelinde yaygın olarak tüketilen ve ekonomik değeri yüksek stratejik bir tarım ürünüdür. Ancak üretimi, çeşitli bitki hastalıklarından kaynaklanan tehditlerle karşı karşıyadır. Özellikle son yıllarda hızla yayılan Domates Kahverengi Rugoz Meyve Virüsü (ToBRFV), ticari domates üretimi açısından ciddi bir risk oluşturmaktadır. Bu virüsle enfekte olan bitkilerin erken dönemde teşhis edilmesi; yayılımın önlenmesi, ürün kayıplarının azaltılması ve sürdürülebilir tarım uygulamalarının desteklenmesi açısından kritik öneme sahiptir.Bu kapsamda hazırlanan çalışmada, ToBRFV enfeksiyonunun ticari domates bitkilerinde erken tespiti amacıyla derin öğrenme tabanlı bir görüntü sınıflandırma modeli geliştirilmiştir. Eskişehir Osmangazi Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi tarafından desteklenen FOA-2023-2587 numaralı proje kapsamında, sera koşullarında 40 sağlıklı ve 45 ToBRFV aşılı bitki yetiştirilmiş; üstten görünümlü RGB video kayıtları 30 gün boyunca alınmıştır. Bu videolardan seçilen kareler segmentasyon yöntemiyle işlenerek sınıflandırmaya hazır hale getirilmiştir. Elde edilen veri kümesi %60 eğitim, %20 doğrulama ve %20 test olarak ayrılmıştır. ToBRFV virus tespiti için VGG16, ResNet50, InceptionV3, MobileNetV2, Xception ve DenseNet169 CNN modelleri kullanılmıştır. Bu modeller aynı koşullarda eğitilmiş ve test edilmişlerdir. Deneysel çalışmada en başarılı sonuç, %98,30 doğruluk ve yüksek tutarlılık oranları ile DenseNet169 modelinden elde edilmiştir. Geliştirilen bu sistem, yalnızca domates için değil, diğer bitki türleri ve hastalıklar için de uyarlanabilir nitelikte olup akıllı tarım teknolojilerine katkı sağlayacak ölçeklenebilir bir çözüm sunmaktadır.