2026-10-21T04:22:46Zhttps://ebyu-rdlopen.rawdatalibrary.net/oai/request

oai:ebyu-rdlopen.rawdatalibrary.net:ebyu/272072026-10-20T22:45:36Zopenairedrivercom_ebyu_10007col_ebyu_25981col_ebyu_25969

Görüntü işleme ve derin öğrenme tabanlı bitkisel tarım ürünlerinde hastalık tespitiDisease detection in herbal agricultural products based on image processing and deep learningAbdulmuttalip BülgenDr. Öğr. Üyesi Funda AkarSmart agricultureWheatDeep learningImage processingArtificial intelligenceAkıllı tarımBuğdayDerin öğrenmeGörüntü işlemeYapay zekaKüresel ve yerel düzeydeki iklim değişiklikleri ve kuraklık koşulları sürdürülebilir tarım uygulamalarının önemini arttırmıştır. Bu çalışmada, yapay zeka ve derin öğrenme teknolojilerinin, mısır ve buğday gibi tarım ürünlerindeki bitki hastalıklarının tespiti ve ürünlerde oluşabilecek verim kayıplarının önlenmesinde etkili araçlar olarak kullanılabilirliği incelenmiştir. Mısır ve buğdayın büyüme dönemlerinde, bitkilerin sağlığını belirleyen önemli bir faktör de hastalıklı yaprakların tespitidir. Bu çalışmada, mısır için 4.188 adet, buğday için ise 977 adet görüntü kullanılarak yapay zeka tabanlı sınıflandırma modelleri geliştirilmiştir. Mısırda "Residual Network (ResNet)" modeli, buğdayda ise "You Only Look Once (YOLO)" modelleri kullanılarak sınıflandırma işlemleri gerçekleştirilmiştir. Mısır için ResNet50 ile %85,30, ResNet101 ile %94,56 ve ResNet152 ile %94,14 oranında doğruluk sağlanmıştır. Buğdayda ise YOLOv5s ile %68,9 kesinlik ve %70,4 duyarlılık, YOLOv8 ile %95,4 kesinlik ve %88 duyarlılık ayrıca %93,4 mAP50 (ortalama doğruluk) oranlarına ulaşılmıştır. Çalışmada ek olarak ResNet-50/101/152 ve YOLO-v5s/v8 modellerinin karşılaştırmalı analizi sunularak, mısır için ResNet101 modelinin ve buğday için YOLOv8 modelinin benzer veri setleriyle kıyaslandığında en yüksek başarı oranlarına ulaşıldığı ortaya koyulmuştur.Climate change and drought conditions at both global and local levels have increased the importance of sustainable agricultural practices. This study examines the applicability of artificial intelligence and deep learning technologies as effective tools for detecting plant diseases in crops such as corn and wheat, and for preventing yield losses that may occur in these crops. During the growth stages of corn and wheat, a significant factor determining the health of plants is the detection of diseased leaves. In this study, artificial intelligence-based classification models were developed using 4,188 images for corn and 977 images for wheat. The "Residual Network (ResNet)" model was employed for corn, while the "You Only Look Once (YOLO)" models were used for wheat to conduct classification processes. For corn, accuracies of 85.30% with ResNet50, 94.56% with ResNet101, and 94.14% with ResNet152 were achieved. For wheat, precision and recall rates of 68.9% and 70.4% with YOLOv5s, 95.4% precision and 88% recall with YOLOv8, and a 93.4% mAP50 (mean average precision) were attained. Additionally, a comparative analysis of ResNet-50/101/152 and YOLO-v5s/v8 models was presented, revealing that the ResNet101 model for corn and the YOLOv8 model for wheat achieved the highest success rates when compared with similar datasets.Erzincan Binali Yıldırım University2024Master Thesishttps://rdlopen.rawdatalibrary.net/r/ebyu/27207trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://ebyu-rdlopen.rawdatalibrary.net/tr/items/ebyu/27207