Parçacık sürü optimizasyonu destekli derin öğrenme ile gül yaprağı hastalık tespiti

Abstract

Hem tüketici talebi hem de küresel ticaret açısından güller oldukça önemli bitkilerdir. Tıpta, kozmetikte ve mutfakta çeşitli uygulamaları vardır. Bununla birlikte, güllerin gelişimi, kalitesi ve verimi bir takım hastalıklardan olumsuz etkilenebilir. Gül yapraklarını ciddi şekilde tahrip edebilen en yaygın ve zarar verici mantar hastalıklarından ikisi siyah nokta ve tüylü küftür. Başarılı hastalık yönetiminin ve güllerde başka salgınların önlenmesinin anahtarı, hastalığın erken ve kesin olarak tanımlanmasıdır. Bununla birlikte, gözle tespit ve laboratuvar testleri dahil olmak üzere geleneksel hastalık teşhis prosedürleri zahmetli, zaman alıcı ve uzman düzeyindedir. Sonuç olarak, en son teknoloji, gül yapraklarındaki hastalıkları tanımlamak için otomatik ve güvenilir bir yöntemin oluşturulmasını gerektiriyor. Bu araştırmada, gül yapraklarındaki hastalıkları tanımlamak için evrişimli sinir ağlarını (CNN) kullanan derin bir öğrenme yöntemi sunulmaktadır. Evrişimli sinir ağları (CNN) olarak bilinen yapay sinir ağları, resimlerden gelişmiş özellikleri öğrenebilmekte ve sınıflandırma ve tanımlama gibi zor görevleri yerine getirebilmektedir. Üç kategoriye ayrılmış bir veri setinden gül yaprakları görüntüleri kullanılmıştır. Siyah nokta, tüylü küf ve hastalıksız üç kategoridir. Gül yaprağı hastalık sınıflandırması çeşitli CNN mimarilerinin etkinliği ile değerlendirilebilir. Çok sayıda farklı CNN mimarileri vardır. Bunlar içinden en uygununu bulmak için parametre optimizasyonu yapmak gerekebilir. Bu da zorlu bir iştir. Bunun için metasezgisel algoritmalar kullanılabilir. Bu çalışmada bunun için Parçacık Sürü Optimizasyonu (PSO) kullanılmıştır. PSO ile hiper parametre optimizasyonu yapılmış ve en optimum ağ yapısı bulunmaya çalışılmıştır. Elde edilen sonuçlar Xception, VGGNet, ResNet gibi farklı CNN modelleriyle test edilmiştir. PSO ile optimize edilmiş model en iyi sonucu elde etmiştir.