Bitki Hastalıklarının Sınıflandırılmasında Derin Öğrenme Mimarilerinin Performans Değerlendirmesi

Tarım sektöründe bitki hastalıklarının erken ve doğru teşhisi, ürün kayıplarını önlemek ve verimliliği artırmak için kritik bir gerekliliktir. Geleneksel yöntemler sıklıkla zaman alıcı ve maliyetlidir. Görüntü işleme teknikleri, bitki yaprakları üzerinde hastalık belirtilerini hızlı ve yüksek doğrulukla tanımlayabilmektedir. Bu çalışmada, bitki hastalıklarının otomatik tespiti için özellikle görüntü sınıflandırma ve özellik çıkarımı gibi görevlerde yaygın olarak kullanılan derin öğrenme tabanlı Evrişimli Sinir Ağları (ESA) mimarilerinden DenseNet-169, Inception-ResNetV2 ve Xception modellerinin sınıflandırma performansı karşılaştırılmıştır. Çalışmada kullanılan Plant Pathology 2020-FGVC7 veri seti; healthy sınıfında 516, rust sınıfında 622 ve scab sınıfında 592 olmak üzere toplam 1.730 görüntü içermektedir. Veri artırma aşamasında ImageDataGenerator kullanılarak her görüntüden üç yeni örnek üretilmiş; döndürme, kaydırma, kesme, yakınlaştırma ve yatay çevirme işlemleri ile modelin farklı açı, konum ve perspektiflere uyumu artırılmıştır. İşlem sonunda healthy: 2.053, rust: 2.328 ve scab: 2.252 olmak üzere toplam 6.633 görüntüden oluşan genişletilmiş bir veri seti elde edilmiştir. Model eğitimi, görüntü sayısı artırılmış veri seti kullanılarak Google Colaboratory platformunda T4-GPU desteğiyle, Python dili üzerinde batch size= 16 ve 50 epoch parametreleriyle gerçekleştirilmiştir. Her model için eğitim süreçleri ve doğruluk oranları dikkate alınarak, en iyi sonuçları veren model seçilmeye çalışılmıştır. Inception-ResNetV2 modeli %80, Xception modeli %82 ve DenseNet-169 modeli ise %89 test doğruluğu elde etmiş olup, bu sonuçlar arasında en yüksek performans, DenseNet-169 modeli tarafından sergilenmiştir.