Kahve yaprağı hastalıklarının tespiti için özgün iki hibrit derin öğrenme modeli
Two original hybrid deep learning models for the detection of coffee leaf diseases
- Tez No: 1014122
- Danışmanlar: DR. ÖĞR. ÜYESİ SEMA SERVİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kahve üretimi, küresel tarım ekonomisinde stratejik bir role sahip olmakla birlikte, Hemileia vastatrix (Kahve Yaprak Pası) ve Phoma gibi mantar kaynaklı patojenlerin tehdidi altındadır. Bu hastalıkların erken teşhisi, sürdürülebilir tarım ve verim kayıplarının önlenmesi için kritik öneme sahiptir. Geleneksel görsel teşhis yöntemlerinin zaman alıcı ve maliyetli olması, derin öğrenme tabanlı otomatik sınıflandırma sistemlerine olan ihtiyacı artırmıştır. Ancak, mevcut literatürde yüksek doğruluk sunan modeller (CNN ve Vision Transformer) genellikle devasa parametre boyutlarına ve yüksek hesaplama maliyetlerine sahip olup, kırsal bölgelerdeki düşük donanımlı uç cihazlarda (Edge AI) çalıştırılmaya uygun değildir. Bu tez çalışmasında, Evrişimli Sinir Ağlarının (CNN) yerel özellik çıkarma yeteneği ile Vision Transformer (ViT) yapılarının global bağlam farkındalığını birleştiren iki özgün hibrit derin öğrenme mimarisi önerilmiştir: Yüksek doğruluk odaklı Önerilen Hibrit Model (EfficientNet-B0 + ViT-Base) ve mobil donanımlar için optimize edilmiş Nano-Hibrit Model (MobileNetV3 + MobileViT). Geliştirilen modellerin performansı; sınıf sayısı, veri boyutu ve coğrafi çeşitlilik açısından farklılık gösteren üç ayrı veri seti (3 sınıflı Uganda, 6 sınıflı Robusta ve 10 sınıflı Peru) üzerinde ResNet50, MLP-Mixer ve ConvMixer gibi güncel mimarilerle karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, Önerilen Hibrit Modelin tüm veri setlerinde endüstri standardı modellerle başa baş veya onlardan daha üstün bir doğruluk sergilediğini göstermiştir. Çalışmanın en önemli bulgusu ise Nano-Hibrit modelin gösterdiği üstün verimliliktir. Sadece 2.80 Milyon parametreye sahip olan Nano-Hibrit mimari, Uganda veri setinde %98,52 doğruluk oranına ulaşmış; karmaşık 10 sınıflı Peru veri setinde ise saf ViT modellerinin yaşadığı aşırı öğrenme (overfitting) çöküşüne direnç göstererek %92,67 doğruluk elde etmiştir. Klasik ResNet50 modelinden yaklaşık 8.4 kat daha az depolama alanı gerektiren ve görüntü başına 5.44 ms tahmin süresi sunan bu mimari, gerçek zamanlı tarımsal teşhis uygulamaları için bir çözüm sunduğunu kanıtlamıştır.
Özet (Çeviri)
Coffee production plays a strategic role in the global agricultural economy but is severely threatened by fungal diseases such as Coffee Leaf Rust (Hemileia vastatrix) and Phoma. Early diagnosis of these diseases is critical for sustainable agriculture and preventing yield losses. The time-consuming and costly nature of traditional visual inspection methods has increased the need for automated classification systems based on deep learning. However, current high-accuracy models in the literature (e.g., CNNs and Vision Transformers) typically possess massive parameter sizes and high computational costs, making them unsuitable for deployment on low-resource edge devices (Edge AI) in rural areas. In this thesis, two novel hybrid deep learning architectures are proposed, combining the local feature extraction capabilities of Convolutional Neural Networks (CNN) with the global context awareness of Vision Transformer (ViT) structures: a high-accuracy Proposed Hybrid Model (EfficientNet-B0 + ViT-Base) and a mobile-optimized Nano-Hybrid Model (MobileNetV3 + MobileViT). The performance of the developed models was comparatively analyzed against State-of-the-Art architectures, including ResNet50, MLP-Mixer, and ConvMixer, across three distinct datasets varying in class complexity, data size, and geographical diversity (3-class Uganda, 6-class Robusta, and 10-class Peru). Experimental results demonstrated that the Proposed Hybrid Model performed on par with or outperformed industry-standard models across all datasets. The most significant finding of the study is the exceptional efficiency exhibited by the Nano-Hybrid model. Comprising only 2.80 million parameters, the Nano-Hybrid architecture achieved an accuracy of 98,52% on the Uganda dataset. Furthermore, it demonstrated remarkable resilience against the overfitting collapse experienced by pure ViT models on the complex 10-class Peru dataset, securing an accuracy of 92,67%. Requiring approximately 8.4 times less storage space than the classic ResNet50 model and offering an inference time of 5.44 ms per image, this architecture has proven to be a solution for real-time agricultural diagnostic applications.
Benzer Tezler
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER
- Structures discursives dans“la grande peur dans la montagne”de Charles-Ferdinand Ramuz
Başlık çevirisi yok
NİLGÜN SÖKMEN
Yüksek Lisans
Fransızca
1985
Fransız Dili ve EdebiyatıCumhuriyet ÜniversitesiBatı Dilleri ve Edebiyatları Ana Bilim Dalı
YRD. DOÇ. DR. TUNA ERTEM
- Bazı bitkisel boyarmaddeler ile yün liflerinin boyanması yöntemlerinin ve haslıklarının araştırılması
Başlık çevirisi yok
TÜLAY GÜLÜMSER
Yüksek Lisans
Türkçe
1986
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NECDET SEVENTEKİN
- Fethiye yöresi ormanlarında yangınların gözetlenmesi ve yangın söndürme ekiplerinin planlanması
Observation des incendies, dans la forets de la region de Fethiye et l'organisation des equipes responsable de l'incendie
MEHMET YÜCEL
- Doğu Karadeniz bölgesinde trametes (fomes) pini (thore ex.fr.) fr.'nin yayılışı konukçuları ve zararı üzerine araştırmalar
Stydies on distribution, hosts and damage of trametes (fomes) pini (thore ex.fr.) fr. in the eastern black-sea region of Turkey
MEHMET ABATAY