Zirai üretimde bitki hastalýklarýnýn hýzlý bir þekilde tanýnmasýný sağlayacak ve kimyevi haşere ilaçlarýnýn kullanýmýnda karar verme sürecini hýzlandýracak otonom bir tespit sistemi ortaya koymak önemlidir. Birçok ülke otonom sistemlerin araþtýrýlmasý üzerine yatýrým ve zaman harcamaktadýr. Ülkemizde, Tarýmsal Ýzleme ve Bilgi Sistemi (TARBÝL) kapsamýnda tarým ekosisteminde verimlilik ve akýllý tarým uygulamalarý desteklenmeye baþlamýþtýr. Bu çalýþmamýzda ziraai bitkiler üzerinde yüksek doðruluklu hastalýklý bitki türü teþhisi için bir derin konvolüsyon sinir aðý modeli oluþturma çalýþmasý yapýlmýþtýr.
Bitki yapraklarý verisindeki artan veri sayýsý ve oluþturlan yeni modellerle bu alanda azýmsanmayacak ölçüde ilerlemeler kayýt edildiðini, verilerimiz ve sonuçlarýmýz açýsýndan kolayca söyleyebiliriz. Bu çalýþmada, açýk bir kaynaktan alýnan, görüntü çevirme, gama düzeltme, gürültü ekleme, PCA renk geniþletme, döndürme ve ölçeklendirme olarak altý farklý veri geniþletme tekniði ile oluþturulmuþ yeni bir veri seti kullanýlmýþtýr. Veri seti, 14 farklý bitki yapraðýna ait 38 çeþit hastalýklý ve saðlýklý yapraktan oluþan toplam 83.107 adet 256x256 boyutunda görüntü içermektedir. Renkli bir yaprak görüntüsünü girdi olarak alan ve 38 adet çýktýdan birini en yüksek olasýlýkla veren çeþitli CNN model mimarileri oluþturularak veri setinin eðitimi yapýlmýþtýr. Ýlk baþta yeni oluþturduðumuz modellerin eðitiminden elde edilen doðruluklarýn ve hatanýn tatmin edici seviyelerde olmamasý nedeniyle tüm veri setini eðitmekten vazgeçilmiþtir. Bundan sonra iki yol izlenmiþtir: birincisi, yeni bir model oluþturmak yerine önceden eðitilmiþ iyi bilinen modellerden biri olan VGG-19 modelini kullanarak transfer öðrenme (transfer learning) yöntemi kullanmak. Transfer öðrenme yönteminden elde edilen doðruluðun ince ayarý da yapýlarak, ADAM optimizasyon yöntemiyle 45 epoch’ta eðitilen veri setimizin doðruluðunun %95 civarýnda olduðu görülmüþtür. Ýkinci olarak, veri setinde yüksek sayýda veri içeren tek çeþide ait elma (4 çeþit, 9714 adet), mýsýr (4 çeþit, 9145 adet), üzüm (4 çeþit, 9027 adet) ve domates (10 çeþit, 22930 adet) verileri için yüksek doðruluk ve düþük hataya sahip bir CNN modeli mimarisi konusunda araþtýrýlma yapýlmýþtýr. Çeþitli denemelerle en iyi sonucu veren modele ait parametreler ve model mimarisi elde edilmiþtir. Modelimizin mimarisinde, 3 adet konvolüsyon katmaný, 3 adet maxpooling katmaný, 3 adet dropout katmaný, 3 adet tam baðlý katman, softmax katmaný, giriþ ve sýnýflandýrma(çýkýþ) katmaný bulunmaktadýr.
Oluþturduðumuz model kullanýlarak elma, mýsýr, üzüm ve domates yapraðý veri setlerinin, ADAM optimizasyon yöntemiyle 25 epoch eðitiminden elde edilen doðruluklar, sýrasýyla, %99.53, %97.97, %99.44 ve %96.88 olduðu görülmüþtür. Oluþturduðumuz mimarinin daha hýzlý sonuca ulaþtýðý ve daha iyi doðruluða sahip olduðu açýkca görülmektedir. Son olarak, ayný model kullanýlarak 14 farklý bitki yapraðýna ait 38 çeþit hastalýklý ve saðlýklý yaprak (tüm veri seti) için yapýlan eðitimde elde edilen doðruluk deðerleri yaklaþýk %92 civarýnda olmuþtur. Bu sonuç gözönüne alýndýðýnda söyleyebiliriz ki veri setindeki çeþitlilik arttýkça modelin doðruluðu düþmektedir. Diðer bir önemli sonuçta özellik çýkarýmý için derin konvolüsyon sinir aðlarýnda verilere herhangi bir ön iþlem yapýlmasýna gerek olmamasýdýr. Veri seti oduðu gibi doðal yapýsýnda kullanýldýðýnda baþarým sonuçlarýnda herhangi bir azalma eðilimi olmamaktadýr. Dolayýsýyla bu konudaki çalýþmalarda ön iþleme adýmlarýnda kaybedilen zaman yerine veri seti arttýrýmý ve model mimarisi üzerinde çalýþmalarýn önem kazanacaðý görüþündeyiz. Gelecekteki çalýþmalarýmýzdan biri model mimarisinde yeni düzenlemeler yaparak doðruluðu arttýrmaktýr. Diðeri ise AlexNet, Vgg16, ResNet50, GoogleNet gibi derin öðrenme algoritmalarýnýn transfer öðrenme yöntemiyle tüm veri seti üzerindeki baþarýmlarýný deðerlendirmektir.
Anahtar Kelimeler: yapay zeka,derin evriþimli sinir aðlarý,derin öðrenme,yaprak hastalýklarýnýn tespiti,transfer öðrenme
|