Plant diseases detection using dense net

Bitki hastalıklarının (PD) kesin ve hızlı bir şekilde tanımlanması, mahsul verimliliğinin korunması ve küresel gıda güvenliğinin güçlendirilmesi açısından çok önemlidir. Derin öğrenme (DL) metodolojileri gelişmeye devam ettikçe, otomatik PD tahmin mekanizmalarının önemi önemli bir yükselişe tanık oldu. Bu çalışma böylesine gelişmiş bir sistemin formülasyonunu ele almaktadır. Burada CNN, DenseNet, ResNet, MobileNet ve VGG gibi çağdaş mimariler titizlikle uygulanıyor, değerlendiriliyor ve ardından birbirleriyle yan yana getiriliyor. Bunların arasında, %98'lik örnek bir ACC'ye sahip olan DenseNet öne çıkıyor ve böylece diğer son teknoloji ürünü modelleri geride bırakıyor. Ancak çalışmamız, salt ACC'nin ötesinde, modelin öngörülerinin yorumlanabilirliğini sağlayacak şekilde genişletilmektedir. Açıklanabilir Yapay Zeka (XAI) tekniklerini, özellikle de Grad-CAM yaklaşımını entegre ederek, modelin karar verme yollarını aydınlatmaya çalışıyoruz ve kullanıcılara teşhis sürecine şeffaf bir bakış açısı kazandırıyoruz. Bu sadece tahminlere olan güveni güçlendirmekle kalmıyor, aynı zamanda potansiyel gerçek dünya uygulamaları için değerli bilgiler de sağlıyor. Özünde bu araştırma, PD tespitinde otomasyonun önemli rolünün altını çiziyor ve daha fazla şeffaflık ve etkinlik için DL'nin XAI ile harmanlanmasının zorlayıcı potansiyelini ortaya koyuyor.