Citation Number
19
Views
14
Bitki hastalıklarının hızlı ve doğru teşhisi için makine öğrenmesine dayalı yaklaşımlar kullanılmaktadır. Son zamanlarda derin öğrenme yaklaşımı bitki türleri ve hastalıkları tanıma ile ilgili problemlerde de kullanılmaktadır. Bu çalışmada, kayısı hastalıklarının tespiti için Derin Evrişimsel Sinir Ağlarına (DESA) dayalı bir model önerilmiştir. Bu model, Evrişim, Relu, Normalizasyon, Havuzlama ve tam bağlı katmanlardan oluşmaktadır. Önerilen model için evrişim katmanlarında kullanılan filtrelerin pencere boyutu 3×3, 5×5, 7×7, 9×9 ve 11×11 olmak üzere beş farklı filtre çeşitleri kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Önerilen çalışmayı test etmek için Bingöl ve İnönü Üniversitelerinin Ziraat Fakültelerinin çalışma alanlarından elde edilen kayısı hastalıklarından oluşan görüntüler kaydedilip kapsamlı bir veri tabanı inşa edilmiştir. Geliştirilen derin ağ modeli bu veri tabanı üzerinde test edilmiştir. Gerçekleştirilen deneysel sonuçlara göre, kayısı hastalıklarının tespiti için önerilen derin ağ modeli diğer geleneksel görüntü tanımlayıcılarına göre daha yüksek sınıflandırma başarısı elde edildiği gözlemlenmiştir.
Approaches based on machine learning are used to quickly and accurately diagnose plant diseases. Recently, deep learning approach has also been used in problems related to the recognition of plant species and diseases. In this study, a model based on the Deep Evolutionary Neural Networks (DESA) was proposed for the detection of cystic diseases. This model consists of Evolution, Relu, Normalization, Swimming and fully connected layers. Experimental studies have been carried out using five different types of filters, the window size of the filters used in the evolutionary layers for the proposed model is 3×3, 5×5, 7×7, 9×9 and 11×11. In order to test the proposed study, images from the fields of study of the Ziraat faculties of Bingöl and Inönü have been recorded and a comprehensive database has been built. The deep network model developed has been tested on this database. According to the experimental findings, the recommended deep network model for the detection of scratch diseases has been observed with higher classification success compared to other traditional image detectors.
Machine learning approaches are used for fast and accurate diagnosis of plant diseases. Recently, deep learning approach has been used in plant species and disease recognition problems. In this study, a model based on Deep Convolutional Neural Networks (CNN) was proposed for the detection of apricot diseases. The developed model consists of Convolution, Relu, Normalization, Pooling, and fully connected layers. For the proposed model, experimental studies were carried out using five different filter types as 3×3, 5×5, 7×7, 9×9 and 11×11 window size of the filters used in convolution layers. In order to test the proposed study, a comprehensive database was constructed using the images of apricot diseases obtained from the study areas of the Faculty of Agriculture of the Bingöl and İnönü Universities. The developed deep network model has been tested on this database. According to the experimental results carried out, it was observed that the proposed deep a network model for the detection of apricot diseases had a higher classification success than other traditional image descriptors.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
