Evrişimli sinir ağları ile domates yaprak hastalığı sınıflandırması
Classification of tomato leaf diseases using convolutional neural networks
- Tez No: 1021437
- Danışmanlar: DOÇ. DR. MAHİR KAYA
- 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: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Domates, küresel ölçekte en önemli sebze ürünlerinden biri olmasına rağmen, çeşitli hastalıklar nedeniyle kritik verim kayıplarına maruz kalmaktadır. Uzmanlar tarafından yapılan görsel incelemeye dayalı geleneksel teşhis yöntemleri; doğası gereği öznel, zaman alıcı ve hataya açıktır. Bu zorlukların üstesinden gelmek amacıyla, bu çalışma kapsamında karmaşık arka plan ve değişken görüntüleme koşullarına sahip veri seti düzeyinde ön işlenmemiş görüntülerde domates hastalıklarının sağlam ve otomatik tespiti için Asimetrik Inception (Asymmetric Inception) modülleri ile Mekansal Dikkat (Spatial Attention) mekanizmalarını sinerjik bir şekilde entegre eden özgün bir derin öğrenme mimarisi önerilmektedir. Önerilen yaklaşımın temel yeniliği, ince taneli lezyonlardan küresel yaprak modellerine kadar çok ölçekli patolojik özellikleri verimli bir şekilde yakalayan Asimetrik Inception tasarımıdır. Aynı zamanda, dikkat mekanizması dinamik olarak ilgili bölgelere odaklanarak çevresel arka plan gürültüsünü etkili bir şekilde bastırmaktadır. Sistematik bir deneysel çerçeve çalışmaları aracılığıyla en uygun mimari konfigürasyon belirlenmiştir. Önerilen model(ASCONET), zorlu ön işlenmemiş datasetinde toplanan görüntülerden oluşan“Tomato-Village”veri seti üzerinde %94,36 doğruluk (accuracy), %94,29 kesinlik (precision), %92,34 duyarlılık (recall) ve %95,75 AUC değerleri ile son teknoloji (state-of-the-art) performans sergilemiştir. Ayrıca, aynı mimari kontrollü ön işlenmiş“PlantVillage”veri seti üzerinde %99'un üzerinde doğruluk elde ederek olağanüstü bir genelleme yeteneği göstermiştir. Bu sonuçlar, çok ölçekli özellik çıkarımı ve mekansal dikkatin stratejik kombinasyonunun, modelin çevresel değişkenliğe karşı dayanıklılığını önemli ölçüde artırdığını kanıtlamaktadır. Sonuç olarak, geliştirilen sistem pratik tarımsal uygulamalar için son derece doğru ve ölçeklenebilir bir çözüm sunmaktadır.
Özet (Çeviri)
Tomato is one of the most globally significant vegetable crops, yet it suffers critical yield losses due to various diseases. Traditional diagnosis methods, relying on visual inspection, are inherently subjective, labor-intensive, and prone to error. To address these challenges, this study proposes a novel deep learning architecture that synergistically integrates Asymmetric Inception modules with valid Spatial Attention mechanisms for the robust automated detection of tomato diseases under complex real-world complexity conditions. The core innovation of our approach lies in the Asymmetric Inception design, which efficiently captures multi-scale pathological features—from fine-grained lesions to global leaf patterns—while the attention mechanism dynamically focuses on relevant regions, effectively suppressing environmental background noise. Through a systematic experimental framework and rigorous ablation studies, the optimal architectural configuration was identified. The proposed model(ASCONET) achieved state-of-the-art performance with 94.36% accuracy, 94.29% precision, 92.34% recall, and 95.75% AUC on the Tomato-Village dataset, which comprises images collected under challenging real-field conditions. Furthermore, the same architecture demonstrated exceptional generalization capability, attaining over 99% accuracy on the controlled PlantVillage dataset. These results substantiate that the strategic combination of multi-scale feature extraction and spatial attention significantly enhances model robustness against environmental variability. Consequently, the developed system provides a highly accurate, scalable solution for practical agricultural applications.
Benzer Tezler
- Design and implementation of an ECB-BUS compatible FDC board
Başlık çevirisi yok
M.ORHUN ARKUT
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiDOÇ. DR. HAYRETTİN KÖYMEN
- Toz metalurjisi terminolojisinin araştırılması ve çok dilli bilgisayar programı yazılımı
Investigation of the powder metallurgy terminology and development of a multi-language computer program
İHSAN EFEOĞLU
Yüksek Lisans
Türkçe
1988
Metalurji MühendisliğiGazi ÜniversitesiMakine Eğitimi Ana Bilim Dalı
PROF. DR. ETİ MUSTAFA UYGUR
- X-ışınları kırınım verileri değerlendirme bilgisayar programı yazılımı
Software development for the analyses of x-ray diffraction data
YUSUF ÖZÇATALBAŞ
Yüksek Lisans
Türkçe
1988
Metalurji MühendisliğiGazi ÜniversitesiMetalurji Eğitimi Ana Bilim Dalı
PROF.DR. ETİ MUSTAFA UYGUR
- Initial modeling and simulation of subscriber loops for ISDN
Başlık çevirisi yok
AGAH TAZEGÜL
Yüksek Lisans
İngilizce
1988
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiPROF. DR. MEHMET BÜLENT SANKUR
- Storage management and indexing in object-oriented database management systems
Başlık çevirisi yok
REDA AL-HAJJ
Yüksek Lisans
İngilizce
1990
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EROL ARKUN