Özet:

Bu çalışmada, görüntü birleştirme, daha hızlı-bölgesel evrişimsel sinir ağı (Faster R-CNN) ve GoogLeNet kullanılarak biber ve patates yapraklarını tespit eden ve tespit edilen yapraklardaki hastalık türünü gösteren, GoogLeNet sınıflandırıcılı Faster R-CNN nesne tespit yaklaşımı (Faster R-CNN-GC) önerilmiştir. Bilindiği gibi, Faster R-CNN’nin başarılı bir şekilde nesne tespitini gerçekleştirebilmesi için, çok fazla eğitim datası üzerinde imge etiketleme yapılması ve bu datalarla Faster R-CNN’nin eğitim sürecinden geçirilmesi gerekmektedir. Fakat bu süreç çok zaman alıcıdır. Bu çalışmadaki temel amaç bu süreci kısaltmak için Faster R-CNN ve GoogLeNet mimarisinin birlikte çalıştığı bir nesne tespit yaklaşımının tasarlanmasıdır. Çalışmada başlangıçta Faster R-CNN ve GoogLeNet’in eğitim süreci tamamlamıştır. Ardından test sürecine geçilmiş ve bazı test resimleri iki parçalı olduğu için görüntü birleştirme yaklaşımıyla bu görüntüler birleştirilmiştir. Ardından, Faster R-CNN ile resimdeki yaprak/yapraklar tespiti edilmiş ve GoogLeNet ile hastalık durumu belirlenmiştir. Bunlara ek olarak önerilen sistem, AlexNet sınıflandırıcılı Faster R-CNN nesne tespit yaklaşımı (Faster R-CNN-AC), SequezeNet sınıflandırıcılı Faster R-CNN nesne tespit yaklaşımı (Faster R-CNN-SC) ve Faster R-CNN ile karşılaştırılmıştır. Gerçekleştirilen deneysel çalışmalar önerilen Faster R-CNN-GC’nin diğer yaklaşımlara göre daha üstün bir şekilde nesne tespitini gerçekleştirdiği göstermiştir.

Anahtar Kelimeler: