Zirai üretimde bitki hastalıklarının hızlı bir şekilde tanınmasını sağlayacak ve kimyevi haşere ilaçlarının kullanımında karar verme sürecini hızlandıracak otonom bir tespit sistemi ortaya koymak önemlidir. Birçok ülke otonom sistemlerin araştırılması üzerine yatırım ve zaman harcamaktadır. Ülkemizde, Tarımsal İzleme ve Bilgi Sistemi (TARBİL) kapsamında tarım ekosisteminde verimlilik ve akıllı tarım uygulamaları desteklenmeye başlamıştır. Bu çalışmamızda ziraai bitkiler üzerinde yüksek doğruluklu hastalıklı bitki türü teşhisi için bir derin konvolüsyon sinir ağı modeli oluşturma çalışması yapılmıştır. Bitki yaprakları verisindeki artan veri sayısı ve oluşturlan yeni modellerle bu alanda azımsanmayacak ölçüde ilerlemeler kayıt edildiğini, verilerimiz ve sonuçlarımız açısından kolayca söyleyebiliriz. Bu çalışmada, açık bir kaynaktan alınan, görüntü çevirme, gama düzeltme, gürültü ekleme, PCA renk genişletme, döndürme ve ölçeklendirme olarak altı farklı veri genişletme tekniği ile oluşturulmuş yeni bir veri seti kullanılmıştır. Veri seti, 14 farklı bitki yaprağına ait 38 çeşit hastalıklı ve sağlıklı yapraktan oluşan toplam 83.107 adet 256x256 boyutunda görüntü içermektedir. Renkli bir yaprak görüntüsünü girdi olarak alan ve 38 adet çıktıdan birini en yüksek olasılıkla veren çeşitli CNN model mimarileri oluşturularak veri setinin eğitimi yapılmıştır. İlk başta yeni oluşturduğumuz modellerin eğitiminden elde edilen doğrulukların ve hatanın tatmin edici seviyelerde olmaması nedeniyle tüm veri setini eğitmekten vazgeçilmiştir. Bundan sonra iki yol izlenmiştir: birincisi, yeni bir model oluşturmak yerine önceden eğitilmiş iyi bilinen modellerden biri olan VGG-19 modelini kullanarak transfer öğrenme (transfer learning) yöntemi kullanmak. Transfer öğrenme yönteminden elde edilen doğruluğun ince ayarı da yapılarak, ADAM optimizasyon yöntemiyle 45 epoch’ta eğitilen veri setimizin doğruluğunun %95 civarında olduğu görülmüştür. İkinci olarak, veri setinde yüksek sayıda veri içeren tek çeşide ait elma (4 çeşit, 9714 adet), mısır (4 çeşit, 9145 adet), üzüm (4 çeşit, 9027 adet) ve domates (10 çeşit, 22930 adet) verileri için yüksek doğruluk ve düşük hataya sahip bir CNN modeli mimarisi konusunda araştırılma yapılmıştır. Çeşitli denemelerle en iyi sonucu veren modele ait parametreler ve model mimarisi elde edilmiştir. Modelimizin mimarisinde, 3 adet konvolüsyon katmanı, 3 adet maxpooling katmanı, 3 adet dropout katmanı, 3 adet tam bağlı katman, softmax katmanı, giriş ve sınıflandırma(çıkış) katmanı bulunmaktadır. Oluşturduğumuz model kullanılarak elma, mısır, üzüm ve domates yaprağı veri setlerinin, ADAM optimizasyon yöntemiyle 25 epoch eğitiminden elde edilen doğruluklar, sırasıyla, %99.53, %97.97, %99.44 ve %96.88 olduğu görülmüştür. Oluşturduğumuz mimarinin daha hızlı sonuca ulaştığı ve daha iyi doğruluğa sahip olduğu açıkca görülmektedir. Son olarak, aynı model kullanılarak 14 farklı bitki yaprağına ait 38 çeşit hastalıklı ve sağlıklı yaprak (tüm veri seti) için yapılan eğitimde elde edilen doğruluk değerleri yaklaşık %92 civarında olmuştur. Bu sonuç gözönüne alındığında söyleyebiliriz ki veri setindeki çeşitlilik arttıkça modelin doğruluğu düşmektedir. Diğer bir önemli sonuçta özellik çıkarımı için derin konvolüsyon sinir ağlarında verilere herhangi bir ön işlem yapılmasına gerek olmamasıdır. Veri seti oduğu gibi doğal yapısında kullanıldığında başarım sonuçlarında herhangi bir azalma eğilimi olmamaktadır. Dolayısıyla bu konudaki çalışmalarda ön işleme adımlarında kaybedilen zaman yerine veri seti arttırımı ve model mimarisi üzerinde çalışmaların önem kazanacağı görüşündeyiz. Gelecekteki çalışmalarımızdan biri model mimarisinde yeni düzenlemeler yaparak doğruluğu arttırmaktır. Diğeri ise AlexNet, Vgg16, ResNet50, GoogleNet gibi derin öğrenme algoritmalarının transfer öğrenme yöntemiyle tüm veri seti üzerindeki başarımlarını değerlendirmektir.

Anahtar Kelimeler: yapay zeka,derin evrişimli sinir ağları,derin öğrenme,yaprak hastalıklarının tespiti,transfer öğrenme

Keywords: