Deep learning-based damage detection on cherry leaves

Bu çalışmada tarımsal üretimde verim artışını sağlamak amacıyla kiraz yapraklarındaki hastalıkların tespiti için derin öğrenme yöntemlerinin kullanılması amaçlanmaktadır. Günümüzde yaprak hastalıkların tespiti uzman personel tarafından yapılabilmekte ancak uzun sürmektedir. Ayrıca, bu uzmanların sayısı yetersiz olabilir, bu da doğru tespitin zorluğuna işaret etmektedir. Bu nedenle, kiraz üretimini artırmak ve hastalıkları erken teşhis etmek için derin öğrenme temelli hastalık tespit uygulamalarının kullanımı bu çalışmanın ana amacıdır. Çalışmada iki farklı veri seti üzerinde kiraz yaprak hastalığı tespiti için farklı derin öğrenme modellerinin performansı incelenmiştir. Ortalama sonuçlara göre, MobileNet-V2 modeli .68 doğruluk ve .83 hassasiyet ile yüksek bir performans sergilemiş, Inception-V3 modeli .17 F1-Skor ile tatmin edici sonuçlar vermiştir. Önerilen CNN modeli .83 F1- Skor ile dikkat çekmiş, önerilen CNN + LSTM modeli .33 geri çağırma değeri ile tatmin edici sonuçlar sunmuş ve önerilen CNN + BiLSTM modeli .33 F1-Skor ile yüksek bir performans göstermiştir. En iyi sonuçlar kategorisinde, MobileNet-V2 modeli .03 doğruluk oranı ve .33 F1- Skor ile en iyi sonuçları vermiş, Inception-V3 modeli .00 doğruluk ve .33 hassasiyet ile tatmin edici bir performans sergilemiştir. Önerilen CNN modeli .66 F1-Skor ile iyi bir performans sergilemiş, önerilen CNN + LSTM modeli .67 doğruluk ve .67 F1-Skor ile en iyi sonuçları vermiş ve önerilen CNN + BiLSTM modeli .66 F1-Skor ile yüksek bir performans göstermiştir. Bu sonuçlar, kiraz yaprak hastalığı tespiti için derin öğrenme modellerinin umut veren sonuçlar elde ettiğini göstermektedir. Çalışma kapsamında en iyi sonuçlar MobileNet-V2 ve önerilen CNN + LSTM modelleri tarafından elde edilmiştir. Bu çalışmanın, çeşitli veri setleri kullanılarak güvenirliliği arttırılabilir, farklı derin öğrenme yöntemleri kullanılarak hastalık tespit başarım oranları yükseltilebilir ve hastalık tespit süreleri düşürülebilir.