Davut HANBAY, Kazım HANBAY, Muammer TÜRKOĞLU, Işıl SARAÇ SİVRİKAYA

Derin Evrişimsel Sinir Ağı Kullanılarak Kayısı Hastalıklarının Sınıflandırılması

Bitki hastalıklarının hızlı ve doğru teşhisi için makine öğrenmesine dayalı yaklaşımlar kullanılmaktadır. Sonzamanlarda derin öğrenme yaklaşımı bitki türleri ve hastalıkları tanıma ile ilgili problemlerde de kullanılmayabaşlanmıştır. Bu çalışmada kayısı hastalıklarının tespiti için Derin Evrişimsel Sinir Ağlarına (DESA) dayalı birmodel önerilmiştir. Bu model Evrişim, Relu, Normalizasyon, Havuzlama ve tam bağlı katmanlardan oluşmaktadır.Önerilen model için evrişim katmanlarında kullanılan filtrelerin pencere boyutu 3×3, 5×5, 7×7, 9×9 ve 11×11olmak üzere beş farklı filtre kullanılarak deneysel çalışmalar gerçekleştirilmiştir. Önerilen çalışmayı test etmekiçin Bingöl ve İnönü Üniversitelerinin Ziraat Fakültelerinin çalışma alanlarından elde edilen kayısıhastalıklarından oluşan görüntüler kaydedilip kapsamlı bir veri tabanı inşa edilmiştir. Geliştirilen derin ağ modelibu veri tabanı üzerinde test edilmiştir. Gerçekleştirilen deneysel sonuçlara göre, kayısı hastalıklarının tespiti içinönerilen derin ağ modelinin diğer geleneksel görüntü tanımlayıcılarına göre daha yüksek sınıflandırma başarısınasahip olduğu gözlemlenmiştir.

Classification of Apricot Diseases by using Deep Convolution Neural Network

Machine learning approaches are used for fast and accurate diagnosis of plant diseases. Recently, deep learning approach has been used in plant species and disease recognition problems. In this study, a model based on Deep Convolutional Neural Networks (DCNN) was proposed for the detection of apricot diseases. The developed model consists of Convolution, Relu, Normalization, Pooling and fully connected layers. For the proposed model, experimental studies were carried out using five different filter as 3×3, 5×5, 7×7, 9×9 and 11×11 window size of the filters used in convolution layers. In order to test the proposed study, a comprehensive database was constructed using the images of apricot diseases obtained from the study areas of the Faculty of Agriculture of the Bingöl and İnonu Universities. The developed deep network model has been tested on this database. According to the experimental results carried out, it was observed that the proposed deep network model for the detection of apricot diseases had higher classification success than other traditional image descriptors.

PDF

___

[1] Turkoglu M., Hanbay D. 2015. Classification of the grape varieties based on leaf recognition by using SVM classifier. In 2015 23nd Signal Processing and Communications Applications Conference (SIU), 2674-2677.
[2] Nguyen T.T.N., Van Tuan Le T.L.L., Vu H., Pantuwong N., Yagi Y. 2016. Flower species identification using deep convolutional neural networks. AUN/SEED-Net Regional Conference for Computer and Information Engineering.
[3] Turkoglu M., Hanbay D. 2018. Apricot Disease Identification based on Attributes Obtained from Deep Learning Algorithms. In 2018 International Conference on Artificial Intelligence and Data Processing (IDAP), 1-4.
[4] Athanikar G., Badar P. 2016. Potato Leaf Diseases Detection and Classification System. International Journal of Computer Science and Mobile Computing, 5 (2): 76-88.
[5] Prashar K. 2017. Robust Automatic Cotton Crop Disease Recognition (ACDR) Method using the Hybrid Feature Descriptor with SVM. 4th 2016 International Conference on Computing on sustainable Global Development.
[6] Pydipati R., Burks T.F., Lee W.S. 2006. Identification of citrus disease using color te×ture features and discriminant analysis. Computers and electronics in agriculture, 52 (1-2): 49-59.
[7] Kulkarni A.H., Patil A. 2012. Applying image processing technique to detect plant diseases. International Journal of Modern Engineering Research, 2 (5): 3661-3664.
[8] Singh K., Kumar S., Kaur P. 2017. Local Binary Patterns Based Detection of Rust Disease of Lentils (Lens Culinaris) Using K-NN Classification System. International Journal of Computer Science Engineering and Information Technology Research (IJCSEITR), 7 (4): 47-52.
[9] Dubey S.R., Jalal A.S. 2014. Fusing Color and Texture Cues to Categorize the Fruit Diseases from Images. ar×iv preprint ar×iv: 1412.7277.
[10] Mokhtar U., El Bendary N., Hassenian A.E., Emary E., Mahmoud M.A., Hefny H., Tolba M.F. 2014. SVM-based detection of tomato leaves diseases. In Intelligent Systems, Springer, Cham, 641-652.
[11] Es-saady Y., El Massi I., El Yassa M., Mammass D., Benazoun A. 2016. Automatic recognition of plant leaves diseases based on serial combination of two SVM classifiers. In 2016 International Conference on Electrical and Information Technologies (ICEIT), pp. 561-566, IEEE.
[12] Wallelign S., Polceanu M., Buche C. 2018. Soybean Plant Disease Identification Using Convolutional Neural Network. In The Thirty-First International Flairs Conference.
[13] Fuentes A., Yoon S., Kim S., Park D. 2017. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition. Sensors, 17 (9): 2022.
[14] Sladojevic S., Arsenovic M., Anderla A., Culibrk D., Stefanovic D. 2016. Deep neural networks based recognition of plant diseases by leaf image classification. Computational intelligence and neuroscience, 2016: 1-11.
[15] Lu Y., Yi S., Zeng N., Liu Y., Zhang Y. 2017. Identification of rice diseases using deep convolutional neural networks. Neurocomputing, 267: 378-384.
[16] Tan W.X., Zhao C.J., Wu H.R. 2016. CNN intelligent early warning for apple skin lesion image acquired by infrared video sensors. High Technol. Lett., 22: 67-74.
[17] Amara J., Bouaziz B., Algergawy A. 2017. A Deep Learning-based Approach for Banana Leaf Diseases Classification. In: BTW Workshops; Bonn, Germany, 79-88.
[18] Ferentinos K.P. 2018. Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145: 311-318.
[19] Brahimi M., Boukhalfa K., Moussaoui A. 2017. Deep learning for tomato diseases: classification and symptoms visualization. Applied Artificial Intelligence, 31 (4): 299-315.
[20] Mohanty S.P., Hughes D.P., Salath´e M. 2016. Using deep learning for image-based plant disease detection. Frontiers in plant science, 7: 1419.
[21] Kizrak M.A., Bolat B. 2018. Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma. Bilişim Teknolojileri Dergisi, 11 (3): 263-286.
[22] Ülker E. 2017. Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6 (3): 85-104.
[23] Doğan F., Türkoğlu İ. 2018. Derin Öğrenme Algoritmalarının Yaprak Sınıflandırma Başarımlarının Karşılaştırılması. Sakarya University Journal of Computer and Information Sciences, 1 (1): 10-21.
[24] Çarkacı N. 2018. Derin Öğrenme Uygulamalarında En Sık kullanılan Hiper-parametreler, https://medium.com/deep-learning-turkiye/derin-ogrenme-uygulamalarinda-en-sik-kullanilanhiper-parametreler-ece8e9125c4 (Erişim Tarihi: 12.10.2018).