Domateste yaygın görülen hastalıkların derin öğrenme yöntemi ile sınıflandırılması

Domates, dünya genelinde kişi başı tüketimi yılda yaklaşık olarak 20kg ile en çok tüketilen sebze listesinin başında yer almaktadır. Domates üretiminde verim ve kaliteyi olumsuz olarak etkileyen en önemli faktörlerden biri zararlı organizma olarak adlandırılan hastalıklardır. Domates, iklim ve çevresel faktörlerine bağlı olarak ekim ve yetiştirilme sürecinde birçok hastalığa yakalanabilir. Domates üretiminde oluşabilecek hastalıkların tespit edilmesi ve gereken önlemlerin alınması üreticiler için oldukça önemlidir. Günümüzde yapay zekâ uygulamaları oldukça popüler hale gelmiştir. Tarım alanında karşılaşılan bitki hastalıklarının tespiti için yapay zekâdan yardım alınmaktadır. Bu tezde, domateste yaygın görülen hastalıklar yapay zekânın alt dalı olan derin öğrenme yöntemleri ile sınıflandırılmıştır. Domates bitkisinde yaygın olarak görülen hastalıklara yönelik örnekler toplamak amacıyla, öncelikle Kerkük ilinde faaliyet gösteren domates üreticileriyle saha çalışmaları gerçekleştirilmiştir. Yeterli sayıda örneğe ulaşıldıktan sonra, görüntü işleme teknikleri kullanılarak sistem için anlamlı görseller elde edilmiştir. Bu görsellerle oluşturulan veri seti, derin öğrenme tabanlı bir sistemin eğitilmesinde kullanılmıştır. Elde edilen sonuçlar, geliştirilen derin öğrenme sisteminin domates hastalıklarının sınıflandırılmasında yüksek doğruluk ve güvenilirlik sunduğunu göstermektedir. Son yıllarda yapay zekâ, özellikle de derin öğrenme alanında yaşanan önemli gelişmeler, tarımsal uygulamalara da yansımış ve hastalık tespiti gibi kritik süreçlerde yaygın olarak kullanılmaya başlanmıştır. Domates, hem dünya genelinde yaygın olarak tüketilen bir tarım ürünü olması hem de çok sayıda mantar, bakteri ve virüs kaynaklı hastalığa karşı duyarlılığı nedeniyle, hastalık tespiti açısından güncelliğini koruyan önemli bir konudur. Bu çalışmada, domateste yaygın olarak görülen domates mildiyösü, erken yaprak yanıklığı, kurşuni küf ve bakteriyel kanser hastalıkları ile sağlıklı domatesler olmak üzere toplam beş sınıfta sınıflandırma yapılmıştır. Kullanılan veriler tamamen özgün olup, üretim alanında çekilen yaprak, kırmızı domates ve yeşil domates görsellerinden oluşan üç farklı grubu içermektedir. Bu veriler, iki kat veri çoğaltma (augmentation) işlemi uygulanarak toplamda 6414 görüntüye ulaşılmıştır. Verilerin %80'i eğitim, %20'si test amacıyla ayrılmış ve 21 farklı derin öğrenme yöntemiyle sonuçlar değerlendirilmiştir. Elde edilen en başarılı beş derin öğrenme yöntemi, aynı eğitim/test oranları korunarak beş farklı özellik çıkarım yöntemi ve beş katlı çapraz doğrulama kullanılarak makine öğrenmesi algoritmaları ile yeniden sınıflandırılmıştır. Bu sınıflandırma çalışması sonucunda en başarılı sonuçlar, EfficientNet-B0 modeli ile elde edilen 1000 özellik arasından Chi² (Ki-kare) yöntemiyle seçilen en iyi 100 özelliğin, Fine KNN makine öğrenmesi algoritması ile sınıflandırılmasıyla elde edilmiştir. Bu yöntemle %88,4 eğitim doğruluğu ve %92 test doğruluğu sağlanmıştır.