Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Isparta Uygulamalı Bilimler Üniversitesi, Lisansüstü Eğitim Enstitüsü, Mekatronik Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: NEŞE UYSAL
Danışman: Sinan UĞUZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Konvolüsyonel sinir ağı modellerinin bitki yaprak görüntüleri üzerinde hastalık ve zararlıların tanı ve teşhisi konusunda oldukça başarılı olduğu bilinmektedir. Bu tez çalışmasında zeytin bitkisine ait 3 farklı yaprak türü konvolüsyonel sinir ağı modeli ile sınıflandırılmıştır. Veri seti 3400 adet zeytin yaprak görüntüsünden oluşmaktadır. Halkalı leke hastalığı, zeytin yaprak pasakarı zararlısı ve sağlıklı yaprakların oluşturduğu 3 farklı sınıf bulunmaktadır. Farklı optimizasyon algoritmaları ve iterasyon sayılarının sınıflandırma başarısına etkisi, Konvolüsyonel Sinir Ağları (CNN) yardımı ile gözlemlenmiştir. Tez çalışmasında kullanılan CNN modelleri Google Colab bulut servisinde yer alan Tesla GPU'lar ile eğitilmiştir. Anaconda (Spyder) IDE platformunda python programlama dili ile yazılmıştır. Eğitilen modelin web uygulaması Flask kütüphanesi yardımıyla oluşturulmuştur. Tez çalışmasında önerilen CNN modeli 100 iterasyon üzerinden Adamoptimizasyon algoritması ile %84 doğruluk oranı elde etmiştir. Transfer öğrenme yöntemi kullanılarak, VGG16 ve VGG19 gibi gelişmiş CNN modelleri oluşturulan veri seti ile eğitilmiştir. Karşılaştırmalı deney sonuçlarına göre %88 doğruluk oranı ile VGG16 modeli en iyi sonucu vermiştir. Tez çalışmasında önerilen CNN modeline, Keras kütüphanesi ImageDataGenarator sınıfı ile veri arttırım işlemi uygulanmıştır. Veri arttırım yöntemi uygulanan bu model Adam optimizasyon algoritması kullanılarak 100 iterasyonda eğitilmiştir. Veri arttırım işleminin sonucunda önerilen CNN modeli %94 doğruluk oranı ile en iyi sınıflandırma başarısını elde etmiştir.