Bitki görüntülerinden hastalık tespiti için derin öğrenme modeli

Abstract

Günümüzde tarımda karşılaşılan en büyük sorunlardan bir tanesi bitki hastalıklarıdır. Farklı tarım ürünlerinde meydana gelen bitki hastalıkları o yılki mahsulü etkilemekte, verimi düşürmekte üretici ekonomisine ve ülke ekonomisine zarar vermektedir. Bitki hastalıklarının geneli bulaşıcı olup hızla yayılmaktadır. Bu nedenle erken tespit edilerek, hastalıklı kısımlara zirai ilaçlama ile müdahale edilemezse; hastalık yayılarak ürün bahçesini, serasını veya tarlasını sarabilmektedir. Yılda bir veya birkaç defa mahsul alabilmek için göz ardı edilemez bir emek ortaya konulmaktadır ve oldukça fazla zaman alan, maliyetli bir hazırlık sürecinden geçilmektedir. Burada harcanan emek, zaman ve maliyetin nihai amacına ulaşması yani tarım ürünlerinin veriminin artması ve karşılaşılan bitki hastalıklarının çözülmesi oldukça önemlidir. Bu tez çalışmasının amacı bahçe ve örtülü alanların insansız hava aracı ile gerçek zamanlı taranarak bitki yapraklarında oluşan hastalıkları tespit eden bir derin öğrenme modeli önermektir. U-Net tabanlı derin öğrenme modelleri özellik çıkarma, veri arttırma ve veri segmantasyon teknkiklerini kullanan çok katmanlı mimarisiyle bitki hastalıkları tespitinde avantajlıdır. Çalışma kapsamında fındık bahçelerinden insansız hava aracı ile elde edilen görüntülerle özgün bir veri seti oluşturulmuş ve U-Net tabanlı Base U-Net, Attention U-Net, Inception U-Net, Residual U-Net, RCN+ U-Net, Dense U-Net ve U-Net++ modelleriyle eğitim için tercih edilmiştir. U-Net++ modeli 1.68 çalışma süresiyle; piksel doğruluğu %88.06, mDice değeri %64.49 olarak sonuç elde edilmiştir.

One of the biggest problems encountered in agriculture today is plant diseases. Plant diseases occurring in different agricultural products affect that year's crop, reduce yield and harm the producer's economy and the country's economy. Most plant diseases are contagious and spread rapidly. Therefore, if they are not detected early and the diseased parts cannot be treated with agricultural pesticides; the disease can spread and invade the product garden, greenhouse or field. In order to be able to harvest once or several times a year, an undeniable effort is put forth and a very time-consuming and costly preparation process is passed. It is very important that the labor, time and cost spent here reach their ultimate goal, namely increasing the yield of agricultural products and resolving the encountered plant diseases. The aim of this thesis is to propose a deep learning model that detects diseases on plant leaves by scanning gardens and covered areas in real time with an unmanned aerial vehicle. U-Net-based deep learning models are advantageous in plant disease detection with their multi-layered architecture that uses feature extraction, data augmentation and data segmentation techniques. Within the scope of the study, an original data set was created with images obtained from hazelnut gardens by unmanned aerial vehicles and U-Net based Base U-Net, Attention U-Net, Inception U-Net, Residual U-Net, RCN+ U-Net, Dense U-Net and U-Net++ models were preferred for training. UNet++ model has a pixel accuracy of 88.06% and a meDice value of 64.49% with a running time of 1.68.