Sürdürülebilir Tarımda Hafif Derin Öğrenme ve Hibrit Makine Öğrenmesi Yaklaşımları İle Optimize Edilmiş Yaprak Hastalığı Tespiti

Küresel iklim değişikliği ve nüfus artışı, tarımsal üretimde sürdürülebilirliği ve gıda arzı güvenliğini kritik bir boyuta taşımıştır. Bitki ve mahsul yapraklarında meydana gelen hastalıklar, rekolte miktarını ve gıda kalitesini doğrudan tehdit eden temel unsurların başında gelmektedir. Geleneksel hastalık teşhis yöntemleri insan hatasına açık, maliyetli ve zaman alıcıdır. Son yıllarda derin öğrenme tabanlı evrişimli sinir ağları (CNN) bu problemin çözümünde yüksek başarım göstermiş olsa da, bu modellerin uçtan uca (end-to-end) eğitimi ve çalıştırılması yüksek hesaplama gücü (GPU) ve uzun işlem süreleri gerektirmektedir. Bu durum, internet ve gelişmiş donanım altyapısının kısıtlı olduğu kırsal tarım alanlarında akıllı sistemlerin kullanımını zorlaştırmaktadır. Bu çalışmada, düşük hesaplama maliyetine sahip ve bilgisayar işlemcisi (CPU) kullanan, hiperparametre optimizasyonlu hibrit bir yapay zeka mimarisi önerilmiştir. Önerilen yöntemde, ImageNet veri seti ile önceden eğitilmiş MobileNetV2 mimarisi sadece bir öznitelik çıkarıcı (feature extractor) olarak kullanılmış ve görüntüler 1280 boyutlu sayısal vektörlere indirgenmiştir. Elde edilen öznitelikler, 3-katlamalı çapraz doğrulama (3-Fold Cross-Validation) destekli Izgara Araması (GridSearchCV) ile optimize edilen Destek Vektör Makineleri (SVM), Rastgele Orman (RF) ve XGBoost algoritmaları ile sınıflandırılmıştır. Bu işlemler ayrıca MobileNetV3 mimarisi ile tekrarlanmıştır. Deneysel sonuçlar, önerilen MobileNetV3+SVM hibrit modelinin minimum işlem zamanı ve donanım kaynağı ile yüksek bir sınıflandırma başarımı sunduğunu göstermiştir. Geliştirilen hafif mimari, tarımsal alanlarda mobil ve uç bilişim cihazlarına entegre edilebilir bir potansiyele sahiptir.