DERİN ÖĞRENMEYE DAYALI BİTKİ HASTALIKLARI TESPİTİ İÇİN HİBRİT BİR MODEL
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Atatürk Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: ZAINAB FADHIL ABBAS ISHKAYYIR
Danışman: Tolga Aydın
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Son yıllarda, bitki hastalıklarını erken tespit etmek ve tarım ürünlerinin kalitesini artırmak için makine öğrenimi tekniklerini kullanmaya olan ilgi artmıştır. Çiftçilerin makine öğrenimi tekniklerinden memnuniyetini değerlendirmeye yönelik artan bir ihtiyaç vardır. PlantVillage veri seti, bitki hastalıklarını tanımlamak için bir araç olarak seçilmiştir. Yöntem: Bitki hastalıklarının sınıflandırılması amacıyla Plant Village veri seti kullanılmıştır. Sınıflandırma için ResNet50, VGG16, VGG19, MobileNet, DenseNet121, InceptionV3, ConvNext gibi çeşitli derin öğrenme tabanlı evrişimli sinir ağı modelleri kullanılmıştır. Bu modeller, ImageNet veri kümesi üzerinde önceden eğitilmiş ağırlıklarla başlatılmış ve PlantVillage veri seti üzerinde transfer öğrenme yöntemiyle yeniden eğitilmiştir. Sonrasında, CNN tabanlı özellik çıkarımı sonrasında elde edilen öznitelikler kullanılarak SVM, KNN, Random forest, Logistic regression, Decision tree gibi klasik makine öğrenmesi sınıflandırıcıları eğitilerek hibrit modeller geliştirilmiştir. Bulgular: İnce ayar yapılmamış en iyi model MobileNet modellerinin metrikleri %97,70 doğruluk, %97,50 kesinlik ve %97,30 geri çağırma, %97,40 F1 puanı ve %99,98 Roc-AUC' dir. Bu sonuçlar modelin yedi modelden daha iyi performans gösterdiği anlamına gelir. Önerdiğimiz hibrit model metrikleri: Doğruluk: %98,46, Kesinlik, geri çağırma ve F1 puanı: %98, Roc-Auc puanı %99,97'dir. Sonuç: Önerilen hibrit model üstün doğruluk sağladı ve ayrıca tarımsal izleme için iyi donanımlı, birden fazla bitki hastalığının etkili bir şekilde tespit edildiğini gösterdi. Bu çalışma, gelecekte tarımsal hastalıkların izlenmesi için çok umut verici bir yol açıyor.