Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması
| dc.authorid | 0009-0004-9358-8743 | |
| dc.contributor.advisor | Karakoyun, Murat | |
| dc.contributor.author | Kılıç, Ahmet Enes | |
| dc.date.accessioned | 2024-11-14T07:12:58Z | |
| dc.date.available | 2024-11-14T07:12:58Z | |
| dc.date.issued | 2024 | |
| dc.date.submitted | 2024 | |
| dc.department | NEÜ, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı | |
| dc.description | Yüksek Lisans Tezi | |
| dc.description.abstract | Bitki hastalıkları, küresel tarıma ciddi zararlar veren temel sorunlardan biridir. Bu zararları önlemek adına hastalıkların erken teşhisi büyük önem taşımaktadır. Ancak, manuel teşhis süreci hem zorlu hem de zaman alıcıdır. Bu nedenle, bitki hastalıklarının otomatik tespiti için derin öğrenme yöntemleri kullanılmaktadır. Bu çalışmada, PlantVillage veri seti kullanılarak bitki görüntülerinden hastalık sınıflandırılması amacıyla ResNet152, VGG16, EfficientNet-B0, EfficientNet-B1, DenseNet201, GoogLeNet ve Vision Transformers olmak üzere yedi farklı derin öğrenme yöntemi eğitilmiştir. Modellerin performansları karşılaştırılmış ve açıklanabilir yapay zekâ yöntemleriyle karar verme süreçleri incelenmiştir. Bu doğrultuda, modellerin karar mekanizmalarını görselleştiren açıklanabilirlik haritaları oluşturulmuş ve bu haritalar üzerinden modellerin hangi özelliklere dayanarak karar verdikleri analiz edilmiştir. PlantVillage veri seti üzerinde %99,81 doğruluk, %99,74 hassasiyet, %99,74 duyarlılık ve %99,74 f1 skoru ile DenseNet201 en başarılı model olarak öne çıkmıştır. En düşük performansı ise %99,27 doğruluk, %99,13 hassasiyet, %99,10 duyarlılık ve %99,11 f1 skoru ile ViT Large 32 modeli göstermiştir. Farklı modellerin güçlü ve zayıf yönleri değerlendirilerek belirli bir uygulama için en uygun modelin seçilebileceği sonucuna varılmaktadır. Ayrıca derin öğrenme yöntemlerinin gerçek dünyadaki etkinliği ve verimliliği, Kaggle'da 2020 ve 2021 yıllarında düzenlenen Plant Pathology yarışmalarında yer alan, gerçek hayattan alınan elma bitkisi görüntüleri ile test edilmiştir. Laboratuvar ortamında elde edilen görüntüler üzerinde yüksek doğruluk ve güvenilirlikle elde edilen başarılı modellerin, gerçek dünya verileri üzerinde aynı başarıyı gösteremediği ortaya konmuştur. Bu çalışma, veri seti çeşitliliği ve karmaşıklığının model performansı üzerindeki kritik etkisini vurgulamakta ve laboratuvar verileri ile gerçek dünya verileri arasındaki farklılıkların derinlemesine incelenmesi gerektiğini göstermektedir. | |
| dc.description.abstract | Plant diseases represent a major challenge to global agriculture, causing significant damage. Early detection of these diseases is crucial to mitigating their impact. However, manual diagnosis is both challenging and time-consuming. As a result, deep learning methods are increasingly being utilized for the automatic detection of plant diseases. In this study, seven different deep learning models—ResNet152, VGG16, EfficientNet-B0, EfficientNet-B1, DenseNet201, GoogLeNet, and Vision Transformers—were trained for the classification of plant diseases using images from the PlantVillage dataset. The performance of these models was compared, and their decision-making processes were analyzed using explainable artificial intelligence (XAI) methods. In this context, explainability maps were generated to visualize the decision mechanisms of the models, and these maps were analyzed to determine the features on which the models based their decisions. Among the models, DenseNet201 achieved the highest performance on the PlantVillage dataset with an accuracy of 99.81%, precision of 99.74%, recall of 99.74%, and f1-score of 99.74%. The ViT Large 32 model, on the other hand, demonstrated the lowest performance with an accuracy of 99.27%, precision of 99.13%, recall of 99.10%, and f1-score of 99.11%. By evaluating the strengths and weaknesses of different models, it is possible to select the most suitable model for a specific application. The real-world effectiveness and efficiency of these deep learning methods were tested using apple plant images from the Plant Pathology competitions held on Kaggle in 2020 and 2021. It was found that models that performed well with high accuracy and reliability in controlled laboratory environments did not achieve the same success with real-world data. This study underscores the critical impact of dataset diversity and complexity on model performance, highlighting the need for an in-depth examination of the differences between laboratory data and real-world data. | |
| dc.identifier.citation | Kılıç, A. E. (2024). Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12452/18911 | |
| dc.language.iso | tr | |
| dc.publisher | Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Bitki Hastalığı | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Plantvillage | |
| dc.subject | Sınıflandırma | |
| dc.subject | Tarım | |
| dc.subject | Agriculture | |
| dc.subject | Classification | |
| dc.subject | Deep Learning | |
| dc.subject | Plant Disease | |
| dc.title | Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması | |
| dc.title.alternative | Classification of plant diseases using transfer learning-based explainable deep learning methods | |
| dc.type | Master Thesis |
