Araştırma makalesi

Teknik Olmayan Kullanıcılar için Kullanıcı Dostu Bir Arayüz ile Bir Çözüm Olarak Çeltik Yaprağı Hastalığı Sınıflandırması için Transfer Öğrenme ve UNet Segmentasyonu

DOI:

10.3791/68861

⸱

24 Ekim 2025

 , 
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, Annamalai University, 2Department of Computer Science and Engineering, Annamalai University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokol, çeltik yaprağı hastalıklarını sınıflandırmak için görüntü tabanlı bir derin öğrenme hattının ana hatlarını çizmektedir. Doğruluğu artırmak için UNet tabanlı segmentasyon ve transfer öğrenme modellerini birleştirir. Yaklaşım, otomatik hastalık tespitini destekler ve pratik dağıtım için bir kullanıcı arayüzü içerir ve uzman olmayanların çeltik mahsulü sorunlarını belirlemesine yardımcı olur.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çeltik, dünya çapında milyarlarca insanı destekleyen hayati bir gıda ürünüdür ve çeltik ekimi, çok sayıda ülkenin ekonomik istikrarı için hayati öneme sahiptir ve özellikle Asya'daki tarım topluluklarında gelir ve istihdama önemli bir katkıda bulunur. Önemine rağmen çeltik yetiştiriciliği, Tungro, Kılıf Yanıklığı (SB), Çeltik Hispa (PH), Boyun Patlaması (NB), Dar Kahverengi Leke (NBS), Yaprak Haşlanması (LS), Yaprak Patlaması (LB), Kahverengi Leke (BS) ve Bakteriyel Yaprak Yanıklığı (BLB) gibi çeşitli yaprak hastalıkları nedeniyle sekteye uğramaktadır ve bunların tümü verimi ve tane kalitesini olumsuz yönde etkilemektedir. Bu sorunları ele almak için bu çalışma, transfer öğrenimine dayalı özelleştirilmiş bir derin öğrenme yaklaşımı önermektedir. En iyi performansı sunan, 0,98 doğruluk, 0,97 hassasiyet ve 0,96 geri çağırma elde eden özel DenseNet-121 modeli ile altı farklı model değerlendirildi. Model performansını artırmak için, bölümlere ayrılmış bir görüntü veri kümesi oluşturarak doğruluğu önemli ölçüde artıran UNet modeli kullanılarak görüntü segmentasyonu gerçekleştirildi. Altı model iki veri kümesi üzerinde test edildi: biri bölümlere ayrılmış görüntüler içeren, diğeri ise bölümlere ayrılmamış görüntüler içeren, her ikisi de Çeltik Yaprağı Hastalıkları Tespit Veri Kümesinden türetildi. Ek olarak, teknik geçmişi olmayan kullanıcıların modelle rahatça etkileşime girmesine ve çeltik yaprağı hastalıklarını tanımlamasına olanak sağlamak için basit ve sezgisel bir grafik arayüz geliştirildi. Bu entegre çözüm, çeltik yaprağı hastalıklarını sınıflandırmak için güvenilir ve ölçeklenebilir yöntemler sağlamada derin öğrenmenin etkinliğini vurgulamaktadır.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çeltik, milyarlarca insanı ayakta tutan ve hem gıda tüketiminin hem de geçim kaynaklarının önemli bir bölümünü oluşturduğu Asya başta olmak üzere çok sayıda ülkenin ekonomik omurgasını oluşturan küresel tarımın temel taşıdır1. Ancak sürdürülebilir çeltik üretimi, çeşitli biyolojik ve çevresel faktörler nedeniyle giderek daha fazla tehdit altında olup, yaprak hastalıkları en kritik zorluklar arasında yer almaktadır. Bakteriyel yaprak yanıklığı, kahverengi leke ve çeltik patlaması 2,3 gibi hastalıklar mahsul verimini önemli ölçüde azaltabilir, tahıl kalitesini düşürebilir ve çiftçiler için önemli mali kayıplara yol açabilir4.

Bu sorunları ele almak için çeltik yaprağı hastalıklarının sınıflandırılması bitki patolojisinde önemli bir araç haline gelmiştir5. Bu tür hastalıkların erken ve doğru bir şekilde tanımlanması, zamanında müdahaleye olanak tanıyarak enfeksiyonların yayılmasını ve etkisini azaltır. Geleneksel olarak bu görev, küçük ölçekli ortamlarda etkili olmasına rağmen öznellik, emek yoğunluğu ve geniş tarım alanlarında sınırlı ölçeklenebilirlik gibi sınırlamalardan muzdarip olan uzman görsel denetime dayanır.

Makine Öğrenimi (ML) ve Derin Öğrenmedeki (DL) son gelişmeler, bitki hastalıklarının tespit edilme ve sınıflandırılma şeklini önemli ölçüde değiştirdi. Bu teknolojiler, otomatik, ölçeklenebilir ve kesin hastalık tanımlamasını sağlamak için enfekte olmuş yaprakların yüksek çözünürlüklü görüntülerini kullanır. Bu tür bir otomasyon tutarlılığı artırır, insan hatasını azaltır ve çiftçiler için gerçek zamanlı karar almayı destekler6.

Çeşitli çağdaş çalışmalar da tarımsal teşhisleri geliştirmeye yönelik yenilikçi yaklaşımları araştırmıştır. Örneğin, circANK aracılı savunma baskılaması gibi RNA düzeyindeki çalışmalar, çeltik hastalığının anlaşılmasında yeni biyolojik yollar açmıştır7, çeltik sırası tespiti için iki örnek segmentasyonu gibi vizyon tabanlı çerçeveler, hassas tarımda derin öğrenmenin faydasını göstermiştir8. Ayrıca, karmaşık görsel ortamlarda çok etiketli sınıflandırma için TMFF: Güvenilir Çok Odaklı Füzyon gibi son çalışmalar, gerçek dünya dağıtımı için hibrit ve sağlam DL modellerinin artan önemini vurgulamaktadır9.

Bu gelişmelerden motive olan bu araştırma, UNet tabanlı segmentasyonu derin transfer öğrenme modelleriyle entegre ederek çeltik yaprağı hastalığı sınıflandırmasını ilerletmektedir. Bu yaklaşım, hastalıklı bölgeleri daha doğru bir şekilde izole etmeyi ve önceden eğitilmiş verimli ağlar kullanarak sınıflandırmayı amaçlamaktadır. Bu çalışma, geleneksel manuel yöntemlerin sınırlamalarını ele alarak ve segmentasyon yoluyla model odağını geliştirerek, sınıflandırma performansının iyileştirilmesine, sürdürülebilir tarım uygulamalarının desteklenmesine ve gıda güvenliği sistemlerinin güçlendirilmesine katkıda bulunur10.

Çeltik yaprağı hastalığı sınıflandırmasının ana hatları

Çeltik, dünya nüfusunun %50'sinden fazlasını besleyen ve başta Asya11 olmak üzere birçok gelişmekte olan ülke için önemli bir ekonomik itici güç olarak hizmet eden temel bir ürün olarak benzersiz bir öneme sahiptir. Çeltik ekimi, gıda güvenliğindeki rolünün ötesinde, birçok bölgedeki kültürel ve toplumsal uygulamalara derinlemesine yerleşmiş olup, sürdürülebilir üretimi hükümetler ve tarımsal paydaşlar için bir öncelik haline getirmektedir. Ancak çeltik üretimi zorluklarla doludur ve bunların arasında yaprak hastalıkları çeltik mahsullerinin hem verimliliğini hem de kalitesini tehlikeye atmaya devam etmektedir. Bakteriyel yaprak yanıklığı, kahverengi leke ve çeltik patlaması gibi yaygın sorunlar, dünya çapındaki çeltik üretimini etkileyen ve büyük ölçüde bu temel gıdaya bağımlı olan ekonomileri zorlayan önemli verim kayıplarına12 katkıda bulunur.

Yaprak hastalıklarının sınıflandırılması, zamanında ve etkili hastalık kontrol önlemlerinin temelini oluşturduğundan modern tarım yönetiminin hayati bir bileşenidir. Zamanında tanımlama, çiftçilerin hastalıkların yayılmasını kontrol etmesine, tarım kimyasallarını verimli bir şekilde kullanmasına ve önemli mahsul hasarlarından kaçınmasına olanak tanır. Geleneksel olarak bu süreç, vasıflı tarım profesyonelleri tarafından gerçekleştirilen görsel incelemeye dayanıyordu. Bu yöntem etkili olabilse de emek yoğundur, zaman alıcıdır ve büyük ölçüde gözlemcinin beceri düzeyine bağlıdır. Ayrıca, büyük ölçekli tarım operasyonlarında, özellikle enfeksiyonun ilk aşamalarında ince semptomların tanımlanması zor olduğunda, manuel inceleme genellikle pratik olmaz13.

Yaprak hastalığı sınıflandırması için otomatik sistemlerin ortaya çıkışı, tarımsal teşhistedevrim yarattı 14. Bu sistemler, ölçeklenebilir15, verimli16 ve son derece hassas çözümler17 sağlamak için görüntüleme teknolojilerindeki ve DL'deki gelişmelerden yararlanır. ML ve DL modelleriyle birleştirilen Görüntü İşleme (IP), hastalık semptomlarını belirlemek için çeltik yapraklarının yüksek çözünürlüklü görüntülerini işleyebilir ve genellikle doğruluk ve hız açısından geleneksel yöntemlerden daha iyi performans gösterir. Bu sistemler, sınıflandırma sürecini otomatikleştirerek çiftçilere ve tarım profesyonellerine veriye dayalı kararlar alma yetkisi verir, insan uzmanlığına bağımlılığı azaltır ve hata riskini en aza indirir.

Çeltik yaprağı hastalığı sınıflandırması yalnızca daha yüksek üretkenlik ve daha az kayıp sağlamakla kalmaz, aynı zamanda sürdürülebilir tarımın daha geniş hedeflerine de katkıda bulunur. Hastalıkların18 kesin olarak tanımlanmasını sağlayan bu teknolojiler,19 pestisit kullanımının optimize edilmesine yardımcı olur, böylece çevresel etkiyi en aza indirir ve çevre dostu20 tarım uygulamalarını teşvik eder. Ayrıca, bu sistemleri mobil uygulamalar ve uzaktan algılama araçlarıyla entegre etmek, kaynakların sınırlı olduğu ortamlarda küçük ölçekli çiftçilere erişimlerini genişleterek tarımsal gelişmelerde kapsayıcılığı ve eşitliği teşvik eder21.

Çeltiğin küresel bir ürün olarak önemi, yaprak hastalığı sınıflandırması22 için sağlam, güvenilir ve erişilebilir yöntemlere olan ihtiyacın altını çizmektedir. Bu teknolojilerin yaygınlaştırılmasıyla tarım sektörü, artan talepler ve çevresel kısıtlamalar karşısında çeltik üretiminin dayanıklılığını ve sürdürülebilirliğini sağlayarak en acil zorluklardan birinin üstesinden gelebilir.

Modelleme teknikleri

Çeltik yaprağı hastalıklarını sınıflandırmak için önerilen yöntem, hem doğruluğu hem de etkinliği artırmak için çeşitli karmaşık teknikleri birleştirir:

Görüntü segmentasyonu: İlk adım, yaprak alanını arka plandan izole etmek için yaprak görüntülerini bölümlere ayırmayı içerir. Bu adım, görüntünün istenmeyen kısımlarını23,24 kaldırarak hesaplama karmaşıklığını azaltır ve ilgili desenlere odaklanmayı geliştirerek daha iyi doğruluk sağlar.

Özellik çıkarma: Özellikler, hastalık semptomları25 hakkında kritik ayrıntıları yakalayan bölümlere ayrılmış görüntülerden çıkarılır. Bu özellikler, sınıflandırma modelinin temelini oluşturur ve sağlıklı ve hastalıklı yapraklar arasında etkili bir şekilde ayrım yapmasına olanak tanır.

Transfer öğrenimi: Transfer öğrenimi, önceden eğitilmiş modellerden elde edilen bilgilerden yararlanmak için kullanılır ve yeni veri kümeleri üzerinde kapsamlı eğitim ihtiyacını büyük ölçüde en aza indirir. Bu yaklaşım, yüksek doğruluk ve verimliliği korurken geliştirme sürecini hızlandırır26.

Uçtan uca sınıflandırma modeli: Transfer öğrenimini yalnızca özellik çıkarımı için kullanan geleneksel yöntemlerin aksine, önerilen metodoloji uçtan uca bir sınıflandırma çerçevesi içerir. Bu bütünsel yaklaşım, özellik çıkarma ve sınıflandırma 27,28'i kesintisiz bir ardışık düzene entegre ederek optimum performans sağlar.

Değerlendirme metrikleri: Modelin performansını29 analiz etmek için çeşitli değerlendirme ölçütleri uygulanır ve doğruluğu, kesinliği, geri çağrılması ve genel verimliliği hakkında ayrıntılı bilgi sağlanır. Bu kapsamlı analiz, modelin güvenilirliğini ve uygunluğunu etkili bir şekilde belirlemeye yardımcı olur.

Araştırma boşlukları

Önemli ilerlemelere rağmen, yaprak hastalıklarının sınıflandırılması alanında çeşitli zorluklar ve sınırlamalar devam etmektedir:

Manuel yaprak hastalığı tanımlaması büyük ölçüde alan uzmanlarına dayanır, bu da onu öznel ve tutarsız hale getirir. Güçlü alan bilgisine sahip olsanız bile, manuel yaklaşımlardaki insan hataları önemli mahsul kayıplarına yol açabilir.

Manuel yöntemler yoğun emek gerektirir ve günün her saatinde çalışamaz, bu da onları büyük ölçekli veya sürekli izleme için kullanışsız hale getirir.

Yaprak hastalığı sınıflandırmasına ilişkin araştırmalar kapsamlıdır, ancak çok sınırlı çalışmalar özellikle çeltik yaprağı hastalığı sınıflandırmasına odaklanmaktadır.

Önceki çalışmalar30, çeltik yaprağı hastalıklarını sınıflandırmak için transfer öğrenmenin kullanımını genellikle ihmal etmiştir.

Mevcut modeller genellikle değişen çevresel koşullar ve hastalık varyantları arasında genellenebilirlikten yoksundur ve bu da pratik faydalarını sınırlar31.

Mevcut çalışmalarda kullanılan veri kümeleri genellikle küçüktür ve çeşitlilikten yoksundur, bu da daha geniş uygulanabilirliği engellemektedir32.

Bu çalışma, bu boşlukları gidererek, yenilikçi teknikler ve sağlam metodolojiler aracılığıyla çeltik yaprağı hastalığı sınıflandırması alanını ilerletmeyi amaçlamaktadır.

Bu çalışmanın başlıca katkıları

Bu araştırma, çeltik yaprağı hastalıklarını sınıflandırmak için özelleştirilmiş derin öğrenmeye dayalı bir yöntem oluşturup değerlendirerek bu boşlukları doldurmayı amaçlamaktadır. Önemli katkılar şunları içerir:

Önceden eğitilmiş model ağırlıklarından yararlanmak için transfer öğreniminden yararlanmak, daha az eğitim döneminde yüksek doğruluk elde edilmesini sağlar.

Daha az eğitim döneminin yüksek hesaplama gücüne olan ihtiyacı azalttığını ve yöntemi sınırlı hesaplama kaynaklarına sahip kullanıcılar için erişilebilir hale getirdiğini göstermek.

Segmentasyon, özellik çıkarma ve sınıflandırmayı entegre eden uçtan uca bir sınıflandırma modeli geliştirerek kapsamlı bir çözüm sunar.

Modelin çeşitli veri kümeleri arasında genelleştirilebilirliğini artırmak için veri segmentasyonu ve diğer tekniklerin kullanılması.

Açık zorluklar

Bu çalışmada elde edilen umut verici sonuçlara rağmen, açık zorluklar devam etmektedir. Bu zorluklar arasında, modelin sağlamlığını33 ve çeşitli çevresel koşullar35 ve hastalık türleri arasında uyarlanabilirliğini34 geliştirmek için daha büyük ve daha çeşitli veri kümelerine duyulan ihtiyaç, tahmin doğruluğunu artırmak için çok modlu verilerin dahil edilmesi ve saha koşullarında gerçek zamanlı kullanım için modellerin konuşlandırılması yer alır. Ayrıca, hesaplama verimliliği ile model performansı arasında bir denge kurmak, özellikle kırsal ve yetersiz kaynaklara sahip alanlarda son kullanıcılar için erişilebilirliği sağlamak açısından çok önemlidir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Veri kümesi açıklaması

Bu araştırmada kullanılan veri seti, Çeltik Yaprağı Hastalıkları Tespit Veri Seti başlıklı halka açık Kaggle deposundan elde edilmiştir. 10 hastalık sınıfı ve 1 sağlıklı sınıfa kategorize edilmiş 18.545 çeltik yaprağı görüntüsünden oluşur. Görüntülerin çözünürlüğü farklılık gösterir ve farklı aydınlatma ve çevre koşulları altında çekilmiştir.

Görüntü ön işleme

Tüm görüntüler, TensorFlow'un tf.image.resize() işlevi kullanılarak 224 x 224 piksel olarak yeniden boyutlandırıldı. Bu tekdüzelik, önceden eğitilmiş CNN modellerinin giriş gereksinimleriyle uyumluluğu sağlar.: Piksel değerleri, Keras ImageDataGenerator'da rescale=0,1./1 parametresi kullanılarak [255] aralığına normalleştirildi. Büyütme (yalnızca eğitim için): Genellemeyi iyileştirmek için ImageDataGenerator kullanılarak yatay ve dikey çevirme, döndürme (20°'ye ±) ve yakınlaştırma ( 'ye kadar) gibi teknikler uygulandı.

Görüntü segmentasyonu

Hastalıklı yaprak alanlarını arka plan dağınıklığından izole etmek için görüntü segmentasyonu için bir UNet modeli kullanıldı. UNet mimarisi, kodlayıcı-kod çözücü katmanları, atlama bağlantıları ve ReLU aktivasyonu ile Keras işlevsel API'si kullanılarak oluşturulmuştur. Segmentasyon maskeleri, yalnızca ilgili özellikleri korumak için piksel bazında çarpma (cv2.bitwise_and) kullanılarak orijinal görüntülere uygulandı.

Model mimarisi ve eğitimi

Omurga sınıflandırıcıları olarak şu modeller kullanıldı: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet ve DenseNet121. Önceden eğitilmiş modeller (ImageNet'te) include_top=False ile içe aktarıldı. Küresel bir ortalama havuzlama katmanı, 128 ve 64 nöronlu iki yoğun katman (ReLU aktivasyonu), bir Bırakma katmanı (oran = 0.4) ve 11 çıkışlı ve Softmax aktivasyonlu son bir yoğun katmandan oluşan özel bir sınıflandırma başlığı eklendi.

Deney düzeneği

Tüm deneyler aşağıdaki ayarlar kullanılarak gerçekleştirildi: Programlama Ortamı: TensorFlow ve Keras ile Python 3.11.5, Yürütme Platformu: Jupyter Notebook, Donanım: Intel Core i5-6300U, 8 GB RAM, Windows 11, Parti Boyutu: 32, Dönemler: 50, Optimize Edici: Adam, Öğrenme Oranı: 0.0001, Kayıp Fonksiyonu: Kategorik Çapraz Entropi, Aktivasyon Fonksiyonları: Gizli katmanlar için ReLU, son çıktı katmanı için Softmax.

Değerlendirme metrikleri

Doğruluk, kesinlik, hatırlama ve F1 puanı, sklearn.metrics'ten alınan classification_report kullanılarak hesaplandı. Karışıklık matrisleri confusion_matrix ve seaborn.heatmap kullanılarak çizildi. Performans, karşılaştırmalı değerlendirme için hem segmentlere ayrılmamış hem de UNet'e segmentlere ayrılmış görüntüler üzerinde değerlendirildi.

GUI geliştirme

Python'un Tkinter kütüphanesi kullanılarak basit bir grafik kullanıcı arayüzü oluşturuldu. Kullanıcılar, GUI'yi kullanarak bir yaprak görüntüsü yükleyebilir ve bu görüntü daha sonra eğitilen modelden geçirilir. Tahmin edilen hastalık sınıfı, bir güven puanı ile birlikte ekranda görüntülenir.

Veri kümesi oluşturma

Bu çalışmada kullanılan veri seti, 10 hastalık sınıfı ve 1 sağlıklı sınıfa kategorize edilmiş toplam 18.545 yüksek çözünürlüklü çeltik yaprağı görüntüsünden oluşan, Kaggle36'nın halka açık Çeltik Yaprağı Hastalıkları Tespiti veri setidir. Görüntüler, değişen aydınlatma koşulları ve çeşitli çevresel ortamlar altında çekildi, bu da veri kümesini son derece temsili ve sağlam derin öğrenme modelleri oluşturmak için uygun hale getirdi. Veri kümesi yaklaşık 8,33 GB boyutundadır ve şu sınıfları içerir: Tungro, Kılıf Yanıklığı (SB), Çeltik Hispa (PH), Boyun Patlaması (NB), Dar Kahverengi Nokta (NBS), Yaprak Haşlanması (LS), Yaprak Patlaması (LB), Sağlıklı, Kahverengi Nokta (BS) ve Bakteriyel Yaprak Yanıklığı (BLB).

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5

figure-protocol-6figure-protocol-7figure-protocol-8

figure-protocol-9

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışmada yapılan deneyler için model, Windows 11 işletim sistemi üzerinde Python sürüm 3.11.5 ve Jupyter Notebook kullanılarak geliştirilmiştir. Kullanılan birincil derin öğrenme çerçeveleri TensorFlow ve Keras kütüphaneleriydi. Bu araştırma için kullanılan donanım, 5 çekirdekle donatılmış, 6300 GHz hızında Intel i2.50-8U CPU'ya sahip bir HP PC'ydi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, hem bölümlere ayrılmış hem de bölümlere ayrılmamış veri kümelerini kullanarak çeltik yaprağı hastalıklarının otomatik olarak sınıflandırılması için derin öğrenmeye dayalı bir çerçeve önermektedir. Yaklaşım, UNet tabanlı görüntü segmentasyonunu transfer öğrenme modelleriyle entegre ederek segmentasyonun özellik çıkarma ve sınıflandırma doğruluğunu önemli ölçüde artırdığını gösteriyor. Değerlendirilen altı model arasında özelleştirilmiş DenseNet-121, 0,98 doğruluk, 0,97 hassasi...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların açıklayacak hiçbir şeyi yoktur.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, Penugonda Seetha Rama Krishna'nın makalenin kavramsallaştırılmasına, metodolojisine ve hazırlanmasına katkıda bulunma çabalarını kabul eder ve çalışma boyunca denetim ve rehberlik sağladığı için S. Nagarajan'a içten teşekkürlerini sunar.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
HP BilgisayarHPIntel Core i5-6300U CPU @ 2.5 GHz, 8 GB RAM
Jupyter NotebookAçık KaynakKod yürütme için kullanılır
Kaggle Veri Kümesi: Pirinç Yaprağı Hastalıklarının TespitiKagglehttps://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
KerasAçık KaynakTensorFlow ile entegre
PitonPython Yazılım Vakfı3.11.5
TensorFlowGoogle'da2.x
Windows İşletim SistemiMicrosoftpencereler 11

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Baheti, H., Thakare, A., Bhople, Y., Darekar, S., Dodmani, O. Tomato plant leaf disease detection using inception v3. Intell Syst Appl. 959, 49-60 (2023).
  2. Shin, J., et al. Trends and prospect of machine vision technology for stresses and diseases detection in precision agriculture. Agri Eng. 5 (1), 20-39 (2023).
  3. Shamsul Kamar, N. A., et al. Pest and disease incidence of coniferous species in Taman Saujana Hijau, Putrajaya urban park Malaysia. J Forest Res. 34 (6), 2065-2077 (2023).
  4. Dutta, M., et al. Rice leaf disease classification-A comparative approach using convolutional neural network (CNN), cascading autoencoder with attention residual U-Net (CAAR-U-Net), and MobileNet-V2 architectures. Technologies. 12 (11), 214(2024).
  5. Alsakar, Y. M., Sakr, N. A., Elmogy, M. An enhanced classification system of various rice plant diseases based on multi-level handcrafted feature extraction technique. Sci Rep. 14 (1), 1-33 (2024).
  6. Ritharson, P. I., Raimond, K., Mary, X. A., Robert, J. E. DeepRice: A deep learning and deep feature-based classification of rice leaf disease subtypes. Artif Intell Agric. 11, 34-49 (2024).
  7. Khanna, A., Saini, R., Kumar, A., Singh, R. Toward end-to-end rice row detection in paddy fields exploiting two-pathway instance segmentation. Plant Phenomics. 6, 0043(2024).
  8. de Silva, R., Cielniak, G., Wang, G., Gao, J. Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots. arXiv. , (2022).
  9. Zhao, C., Hu, C., Shao, H., Wang, Z., Wang, Y. Towards Trustworthy Multi-label Sewer Defect Classification via Evidential Deep Learning. arXiv. , (2022).
  10. Gogoi, M., Kumar, V., Begum, S. A., Sharma, N., Kant, S. Classification and detection of rice diseases using a 3-stage CNN architecture with transfer learning approach. Agriculture. 13, 1505(2023).
  11. Rice as food. Wikipedia. , Wikipedia contributors. https://en.wikipedia.org/wiki/Rice_as_food (2025).
  12. Deng, R., et al. Automatic diagnosis of rice diseases using deep learning. Front Plant Sci. 12, 701038(2021).
  13. Image classification for rice leaf disease using AlexNet model. Win Lwin, L. Y., Htwe, A. N. 2023 IEEE Conf Comput Appl (ICCA), , 124-129 (2023).
  14. Tripathy, R., et al. Optimization based rice leaf disease classification in federated learning. Multimed Tools Appl. 83, 72491-72517 (2024).
  15. Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., Moon, H. Crop pest recognition in natural scenes using convolutional neural networks. Comput Electron Agric. 169, 105174(2020).
  16. Zhong, Y., Zhao, Z. Research on deep learning in apple leaf disease recognition. Comput Electron Agric. 168, 105146(2020).
  17. Yang, Y., Liu, Z., Huang, M., Zhu, Q., Zhao, X. Automatic detection of multi-type defects on potatoes using multispectral imaging combined with a deep learning model. J Food Eng. 336, 111213(2023).
  18. Wang, L., et al. Identification of crop diseases using improved convolutional neural networks. IET Comput Vis. 14 (7), 538-545 (2020).
  19. Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., Stefanovic, D. Solving current limitations of deep learning-based approaches for plant disease detection. Symmetry. 11 (7), 939(2019).
  20. Hu, G., Wu, H., Zhang, Y., Wan, M. A low shot learning method for tea leaf's disease identification. Comput Electron Agric. 163, 104852(2019).
  21. Too, E. C., Yujian, L., Njuki, S., Yingchun, L. A comparative study of fine-tuning deep learning models for plant disease identification. Comput Electron Agric. 161, 272-279 (2019).
  22. Ma, R., et al. Identification of maize seed varieties using MobileNetV2 with improved attention mechanism CBAM. Agriculture. 13 (1), 11(2023).
  23. Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet classification with deep convolutional neural networks. Commun ACM. 60 (6), 84-90 (2017).
  24. Brahimi, M., Boukhalfa, K., Moussaoui, A. Deep learning for tomato diseases: classification and symptoms visualization. Appl Artif Intell. 31 (4), 299-315 (2017).
  25. Wang, G., Sun, Y., Wang, J. Automatic image-based plant disease severity estimation using deep learning. Comput Intell Neurosci. 2017, 2917536(2017).
  26. Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 770-778 (2016).
  27. Amara, J., Bouaziz, B., Algergawy, A. A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme Business Tech Web (BTW 2017). , 79-88 (2017).
  28. Srilatha, D., Thillaiarasu, N. Implementation of intrusion detection and prevention with deep learning in cloud computing. J Inf Technol Manag. 15, 1-8 (2023).
  29. Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., Stefanovic, D. Deep neural networks-based recognition of plant diseases by leaf image classification. Comput Intell Neurosci. 2016, 3289801(2016).
  30. Simhadri, C. G., Kondaveeti, H. K., Vatsavayi, V. K., Mitra, A., Ananthachari, P. Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques. Info Proc Agri. 12 (2), 151-168 (2025).
  31. Xu, M., et al. Embracing limited and imperfect training datasets: Opportunities and challenges in plant disease recognition using deep learning. Front Plant Sci. 14, 1225409(2023).
  32. Xu, M., Park, J. E., Lee, J., Yang, J., Yoon, S. Plant disease recognition datasets in the age of deep learning: Challenges and opportunities. arXiv. , (2023).
  33. Basic investigation on a robust and practical plant diagnostic system. Fujita, E., Kawasaki, Y., Uga, H., Kagiwada, S., Iyatomi, H. Proc 15th IEEE Int Conf Mach Learn Appl ICMLA, , 989-992 (2016).
  34. Densely connected convolutional networks. Huang, G., Liu, Z., Van Der Maaten, L., Weinberger, K. Q. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 4700-4708 (2017).
  35. Sapkal, A. T., Kulkarni, U. V. Comparative study of leaf disease diagnosis system using texture features and deep learning features. Int J Appl Eng Res. 13 (19), 14334-14340 (2018).
  36. Loki4514, Leaf Diseases Detection Dataset. Kaggle. , https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection Accessed (2025).
  37. Siddique, N., Paheding, S., Elkin, C. P., Devabhaktuni, V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 9, 82031-82057 (2021).
  38. Yohoshiva, B., Challa, N. P. Ghcr-a dataset for Grantha handwritten character recognition. Data Brief. 56, 110783(2024).
  39. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. Med Image Comput Comp Assisted Intervent MICCAI 2015 Lecture Notes Comp Sci. 9351, 234-241 (2015).
  40. Zhuang, F., et al. A comprehensive survey on transfer learning. arXiv. , (2020).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

eltik Yaprak Hastal klarDerin renmeDenseNet 121G r nt SegmentasyonuGrafiksel Aray zeltik Hastal Tespiti

İlgili makaleler