Evrişimsel Sinir Ağı Mimarileri ve Öğrenim Aktarma ile Bitki Zararlısı Çekirge Türlerinin Sınıflandırması

Abstract

Çekirgeler, mahsullere zarar vererek her yıl milyonlarca ton gıdanın yok olmasına neden olmaktadır. Etkili ve doğru çekirge tanımlama sistemlerinin geliştirilmesi, çekirge türlerinin kontrol altına alınması ve gıda kaybının önlenmesinde kritik öneme sahiptir. Bu çalışmada, ülkemizin ve dünyanın çeşitli yerlerinde görülen 11 farklı bitki zararlısı çekirge türü çeşitli evrişimsel sinir ağı modelleri kullanılarak sınıflandırılmıştır. Çalışmada kullanılan veri seti ülkemizin Doğu ve Güneydoğu Anadolu bölgesinde gözlemlenerek elde edilmiştir. Bu çalışmanın en büyük yeniliği, ülkemizde bulunan 11 farklı bitki zararlısı çekirge türüne ait GHCD11 adında yeni bir veri setinin oluşturulmuş olmasıdır. Bunun yanında, çalışmada 11 farklı bitki zararlısı çekirge türünün otomatik olarak sınıflandırılması için Keras kütüphanesinde bulunan ve görüntü sınıflandırmasında yaygın olarak kullanılan VGG16, VGG19, ResNet50, DenseNet121, EfficientNet, MobileNet kullanılmıştır. Öğrenme aktarımı ile GHCD11 veri seti üzerinde yapılan deneysel çalışmalar sonucunda, %95 ile %99 aralığında kayda değer sınıflandırma doğrulukları elde edilmiştir. Çalışma yeni bir veri seti sunmasının yanı sıra, bitki zararlısı çekirge türlerinin evrişimsel sinir ağı mimarileri ile otomatik tanı ve tespitinin yüksek başarım ile yapılabileceğini göstermesi açısından önem arz etmektedir.

Grasshoppers damage crops and causes millions of tons of food to be destroyed every year. The development of effective and accurate locust identification systems is critical in controlling locust species and preventing food loss. In this study, 11 different plant pest grasshopper species seen in various parts of our country and the world were classified using various convolutional neural network models. The dataset used in the study was obtained by observing the Eastern and Southeastern Anatolia regions of our country. The novelity of this study is that a dataset named GHCD11 has been created for 11 different plant pest grasshopper species in our country. In addition, VGG16, VGG19, ResNet50, DenseNet121, EfficientNet, MobileNet, which are in the Keras library and are widely used in image classification, were used for the automatic classification of 11 different grasshopper species in the study. As a result of experimental studies on the GHCD11 dataset with learning transfer, remarkable classification accuracies in the range of 95% to 99% were obtained. The study is important because it not only presents a novel dataset, but also demonstrates that automatic identification and detection of plant pest grasshopper species can be done with high accuracy using convolutional neural network architectures.