Seralarda Potansiyel Hastalık Tespit Tekniklerinin Uygulanması ve Sürdürülebilirlik Üzerindeki Etkileri

Abstract

Tarımda yapay zeka kullanımı, ürün verimini artırmak, hastalık ve zararlılar nedeniyle %40'lara kadar ulaşan ürün kayıplarını en aza indirmek için zorunlu hale gelmiştir. Bu bağlamda, yapraktan bitki hastalığı tespiti odaklanılan önemli bir araştırma alanı haline gelmiştir. Farklı araştırmacılar, yapay zeka teknikleri kullanarak yaprak virüsü tanımlaması için aktif çözümler aramaktadırlar. Bu çalışmanın öncelikli amacı, CNN modelleri ile, hastalık seraya yayılmadan önce sınırlı veri mevcudiyeti ile domates bitkisinde bazı hastalık belirtilerini erken dönemde yapraktan tespit edebilen güvenilir bir yapay zeka modeli oluşturmaktır. Bu amaçla öncelikle, Altıayak-Antalya'da yer alan iki farklı seradan sağlıklı ve üç farklı tür hastalığa sahip domates bitkisi yaprak görüntüleri bir cep telefonu kamerası yardımıyla alınarak bu görüntülerden seçim yapılmış ve görüntüler etiketlenmiştir. Sınırlı sayıda elde edilen görüntülere veri artırma metodu uygulanmış ve bunlar en yaygın kullanılan beş farklı CNN mimarisi (VGG16, VGG19, InceptionV3, DenseNet201 ve MobileNet) ile önceden eğitilmiş model ağırlıklarından yararlanmak için transfer öğrenmesi kullanılarak eğitilmiş ve sonuçta eşit sayıda epok ve hiperparametre için sıfırdan yeni bir CNN modeli elde edilmiştir. Modellerin sınıflandırma doğrulukları VGG16, VGG19, InceptionV3, MobileNet, DenseNet201 ve yeni elde edilen CNN modeli için sırasıyla %89.23, %83.5, %87.88, %94.28, %90.91 ve %83.0 olarak bulunmuştur. Elde edilen sonuçlar, sınırlı verilerle bile olsa sera ortamlarında hastalık tespiti için gelişmiş CNN mimarileri kullanımının uygulanabilirliğini ortaya koymuştur. Tüm modeller arasında MobileNet, %94.28'lik bir sınıflandırma doğruluğu ile diğer tüm modellere göre daha başarılı olmuştur. Bu sonuçlar MobileNet modelinin domates hastalıklarını doğru bir şekilde tespit etmedeki potansiyelini ortaya koymaktadır. Etkili mimarisi, özel düzenlemesi ve veriye uygunluğu göz önüne alındığında en yüksek doğruluk elde etme başarısına sahip mimarinin MobileNet olduğu söylenebilir. Sonuç olarak, kapsam ve uygulama alanının genişletilmesi için kamu kurumları, tarımsal araştırma merkezleri ve işletmelerin işbirliği yaparak daha fazla veri kullanımı ile daha fazla sınıfa yönelik gerçek zamanlı sera izleme sistemleri konusunda araştırmalar yapılması önerilmektedir.Artificial intelligence has become imperative in agriculture, improving production efficiency and minimizing losses, which reach up to 40% due to pests and diseases. Thus, early plant leaf disease detection has become a vital area of focus. Researchers have been actively searching for solutions for vegetable leaf virus identification. The primary objective of this study is to create a reliable artificial intelligence model, particularly for CNN models, that could identify tomato leaf infections early even with limited data available before the diseases spread across the greenhouse. Images of healthy and three types of diseased tomato leaves were captured, collected, selected and labeled from two greenhouses in Altıayak, Antalya-Türkiye with a mobile phone camera. Despite having limited data, employing data augmentation, five popular CNN architectures (VGG16, VGG19, InceptionV3, DenseNet201, and MobileNet) were trained using transfer learning to take advantage of the weights of pre-trained models and a new CNN model was trained from scratch for equal number of epochs and hyperparameters. The classification accuracies of the models were 89.23%, 83.5%, 87.88%, 94.28%, 90.91% and 83.0% for VGG16, VGG19, InceptionV3, MobileNet, DenseNet201 and the new CNN model respectively. Therefore, the findings of this research demonstrated the feasibility of using advanced CNN architectures for disease detection in greenhouse environments even with limited data. Out of all the models, MobileNet outperformed all other models with a classification accuracy of 94.28%. These results highlighted the potential of the MobileNet models in accurately detecting tomato diseases. It can be concluded that its efficient architecture, specific regularizations, and suitability, as obtained from the particular data, have contributed to the overall success of the MobileNet CNN model. The study suggests that further research should be conducted in real-time greenhouse monitoring systems using a larger amount of data, for an increased number of classes with cooperation of government bodies, agricultural research centers and business enterprises to broaden its scope and implementation.