YAPRAK GÖRÜNTÜLERİNDEN BİTKİ HASTALIKLARININ TESPİTİ VE DERİN ÖĞRENME YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ

Abstract

Bitki hastalıklarının doğru ve etkili bir şekilde sınıflandırılması, tarımsal üretimde verim ve kalitenin artırılması, hastalıkların erken teşhisiyle ekonomik kayıpların azaltılması ve sürdürülebilir tarım uygulamalarının desteklenmesi açısından kritik bir öneme sahiptir. Bu tez çalışmasında, bitki yaprak hastalıklarının otomatik olarak tespiti ve sınıflandırılmasına yönelik bütüncül bir yöntem önerilmektedir. Çalışmanın temel hipotezi, GAN tabanlı veri artırımı ile desteklenen derin öğrenme modellerinin, geleneksel yöntemlere kıyasla daha yüksek sınıflandırma doğruluğu ve genelleme yeteneği sağlayacağı yönündedir. Bu kapsamda, mildiyö, potasyum eksikliği ve sağlıklı yaprak olmak üzere üç sınıfa ait, 21 farklı bitki türünden oluşan toplam 1000 görüntüden meydana gelen bir veri kümesi kullanılmıştır. Veri kümesindeki sınıf dengesizliğini azaltmak ve eğitim sürecini güçlendirmek amacıyla GAN tabanlı görüntü sentezleme teknikleri uygulanarak eğitim verisi zenginleştirilmiştir. Çalışmada, makine öğrenmesi yaklaşımları kapsamında ResNet50 tabanlı özellik çıkarımı ile XGBoost, Random Forest ve SVM algoritmaları değerlendirilmiş derin öğrenme kapsamında ise AlexNet, VGG16, VGG19, DenseNet121, Inceptionv3, ResNet50, LSTM ve RNN mimarileri incelenmiştir. Tüm modeller, performansın güvenilirliğini sağlamak amacıyla 5 katlı çapraz doğrulama yöntemi ile test edilmiştir. Deneysel sonuçlar, GAN tabanlı veri artırımı ile desteklenen derin öğrenme modellerinin geleneksel makine öğrenmesi yöntemlerine kıyasla daha başarılı sonuçlar ürettiğini göstermektedir. Özellikle DenseNet121 modeli, %98 doğruluk oranı ile en yüksek sınıflandırma başarımını elde etmiştir. Elde edilen bulgular, önerilen yaklaşımın çok sınıflı bitki hastalığı problemlerinde güçlü, genellenebilir ve pratikte uygulanabilir bir çözüm sunduğunu ortaya koymaktadır. Bu çalışma, farklı model türlerinin karşılaştırmalı olarak ele alındığı kapsamlı yapısıyla literatüre katkı sağlamakta ve yapay zek a tabanlı tarımsal teşhis sistemleri için etkili bir yöntem sunmaktadır.

The accurate and effective classification of plant diseases is of critical importance for increasing yield and quality in agricultural production, reducing economic losses through early diagnosis of diseases, and supporting sustainable agricultural practices. This thesis proposes a comprehensive method for the automatic detection and classification of plant leaf diseases. The main hypothesis of the study is that deep learning models supported by GAN-based data augmentation will provide higher classification accuracy and generalization ability compared to traditional methods. In this context, a dataset consisting of a total of 1000 images from 21 different plant species belonging to three classes, namely mildew, potassium deficiency, and healthy leaves, was used. To reduce class imbalance in the dataset and strengthen the training process, GAN-based image synthesis techniques were applied to enrich the training data. Within the scope of machine learning approaches, ResNet50-based feature extraction with XGBoost, Random Forest, and SVM algorithms were evaluated within the scope of deep learning, AlexNet, VGG16, VGG19, DenseNet121, Inceptionv3, ResNet50, LSTM, and RNN architectures were examined. All models were tested using a 5-fold cross-validation method to ensure the reliability of their performance. The experimental results show that deep learning models supported by GAN-based data augmentation produce more successful results compared to traditional machine learning methods. In particular, the DenseNet121 model achieved the highest classification performance with a 98% accuracy rate. The findings reveal that the proposed approach offers a robust, generalizable, and practically applicable solution for multi-class plant disease problems. This study contributes to the literature with its comprehensive structure, which comparatively examines different model types, and presents an effective method for artificial intelligence-based agricultural diagnosis systems.