Çeltik Yanıklığı Hastalığının Görüntü İşleme Teknikleri Kullanılarak Tespit Edilmesi

Abstract

Çeltik bitkisinde, hastalıkların doğru olarak ve zamanında tespiti, zirai mücadele uygulamalarının zamanında başlatılmasına ve böylece ekonomik kayıpların önemli ölçüde azalmasına yardımcı olmaktadır. Aynı zamanda erken teşhis, hastalıkların yayılmasını sınırlayarak ürün kalitesini de artırmaktadır. Geleneksel hastalık tanıma, görsel gözlem veya laboratuvarda test edilerek yapılmaktadır. Ancak bu yöntemin, bir uzmana ihtiyaç duyulması, zaman alıcı ve pahalı olması gibi olumsuz yönleri bulunmaktadır. Geleneksel yöntemin bu sakıncalarını ortadan kaldıran güncel uygulama, uzaktan ve otomatik olarak hastalıkların tespit edildiği yöntemlerdir. Bu çalışmada, çeltik yanıklığı hastalığının (Pyricularia oryzae Cav.) tanımlanması ve sınıflandırılması için görüntü işleme teknikleri kullanılmıştır. Makine öğrenme algoritmalarından Yapay Sinir Ağları, farklı veri setlerine uygulanmıştır. Görüntü işlemede, hastalıklı kısım, hastalık olmayan kısım ve arka planın segmentasyonu için bir kümeleme yöntemi kullanılmıştır. Çeltik yanıklığı hastalığı görüntüleri, ekili alanlardan hem yerden ve hem de dron yardımıyla uzaktan alınmıştır. Yerden 200 adet ve uzaktan 50 adet görüntü olmak üzere toplam 250 adet görüntü kullanılmıştır. Yapay sinir ağları modellerinde, Levenberg-Marquardt eğitim algoritması tercih edilmiştir. Tanımlama için önerilen ModelTYGA modelinin test verilerine ait RMS, R2 ve hata değerleri sırasıyla 0.000017, 0.9999 ve %0.019 bulunurken ModelTDUGA modelinde ise 0.000007, 0.9999 ve %0.002 olarak bulunmuştur. Sınıflandırma için önerilen ModelSYGA ve ModelSDUGA modellerinin sınıflandırma başarıları sırasıyla %92.2 ve %100 olarak elde edilmiştir. Çeltik yanıklığı hastalığının tanımlanması için bulunan sonuçlar, önerilen yöntemin uygulanabilirliğini ve etkinliğini göstermektedir.Accurate and timely detection of diseases in the rice plant can help to make pesticide applications timely and can significantly reduce economic losses. Early detection limits the spread of diseases and improves product quality. Traditional disease recognition is performed by visual observation or testing in the laboratory. However, it is time consuming, expensive and requires the expert. Automatic identification of rice diseases is up-to-date and also desirable in the field of agricultural knowledge. In this study, image processing techniques were used to identify and classify rice leaf blight disease (Pyricularia oryzae Cav.). Artificial Neural Networks, one of the machine learning algorithms, were applied to different data sets. In image processing, a clustering method was used for the diseased part, the non-diseased part, and the segmentation of background. Rice leaf blight disease images were taken from the ground and with drone from cultivated areas. A total of 250 images, 200 from the ground and 50 from the drone, were used. Levenberg-Marquardt training algorithm has been preferred in artificial neural network models. The RMS, R2 and error values of the ModelTYGA model which is proposed for identification were found to be respectively 0.000017, 0.9999 and 0.019%, while the ModelTDUGA model was found to be 0.000007, 0.9999 and 0.002%, respectively. The classification success of the ModelSYGA and ModelSDUGA models which are proposed for classification were respectively 92.2% and 100%. The results found for the identification of rice leaf blight disease demonstrate the applicability and effectiveness of the proposed method.