Sezgin, NecmettinAkdoğan, Berivan2024-10-082024-10-082024-09-17Akdoğan, B. (2024). Derin öğrenme metotları ile asma yapraklarının sınıflandırılması. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.https://hdl.handle.net/20.500.12402/4764Özellikle yaprak hastalıklarının erken teşhisi, verimliliği artırmak ve ürün kalitesini korumak için kritik bir öneme sahiptir. Geleneksel yöntemler bu süreçte yetersiz kalabilirken, derin öğrenme teknikleri yüksek doğruluk ve hız sağlayarak etkili çözümler sunmaktadır. Bu tez çalışmasında, 8 farklı asma türünden elde edilen toplam 4000 asma yaprağı görüntüsünü sınıflandırmak amacıyla derin öğrenme modelleri kullanılmıştır. Araştırmanın temel amacı, bu yaprak görüntülerini en yüksek doğrulukla sınıflandırabilecek modeli belirlemek ve tarımsal uygulamalarda kullanılabilecek bir sınıflandırma sistemi geliştirmektir. Çalışmada, ResNet50, ResNet101, ResNet152, MobileNet, Xception ve DenseNet169 modelleri kullanılarak performans karşılaştırmaları yapılmıştır. Öncelikle asma yaprağı görüntüleri çeşitli ön işleme adımlarından geçirilerek veri seti oluşturulmuştur. Ardından bu veri seti, her bir model ile ayrı ayrı eğitilmiş ve değerlendirilmiştir. Modellerin performansı; doğruluk, eğitim süresi ve model karmaşıklığı gibi kriterler göz önünde bulundurularak analiz edilmiştir. Deneysel sonuçlar, ResNet101 modelinin %88 doğruluk oranı ile en yüksek performansı sergilediğini, ancak 17 saatlik eğitim süresi ile uzun bir süreyi gerektirdiğini göstermiştir. Xception modeli %86 doğruluk oranı ile ResNet101 modeline yakın performans sunmuş ve ayrıca 10 saatlik işlem süresinin dikkate değer olduğu için tercih edilebileceği anlaşılmıştır. MobileNet modeli ise %80 doğruluk oranı ve daha hızlı (2 saat 20 dakika) sonuçlar üretmiş, bu da onu gerçek zamanlı uygulamalar için uygun hale getirmiştir. DenseNet169 modeli ise %73 doğruluk oranı ile en düşük performansı sergilemiştir. Bu bulgular, derin öğrenme modellerinin asma yaprağı sınıflandırmasında etkili bir şekilde kullanılabileceğini ve doğru model seçiminin hem doğruluk hem de verimlilik açısından kritik olduğunu ortaya koymaktadır. Gelecekteki çalışmalarda, literatürde yer alan farklı sinir ağı modelleri ile başarı oranının artırılması ve görüntü işleme tekniklerinin geliştirilmesi hedeflenmektedir. Ayrıca en yüksek doğruluğa sahip model temel alınarak tarımsal üreticiler ve tüketiciler için pratik bir mobil uygulama geliştirilmesi planlanmaktadır.Classification of vine leaves holds significant importance in the agriculture and food industries. Early detection of leaf diseases is critical for increasing productivity and maintaining product quality. Traditional methods can be inadequate in this process, whereas deep learning techniques offer effective solutions by providing high accuracy and speed. In this thesis, deep learning models were used to classify a total of 4000 vine leaf images obtained from 8 different vine species. The main objective of the research is to identify the model that can classify these leaf images with the highest accuracy and to develop a classification system that can be used in agricultural applications. Performance comparisons were made using ResNet50, ResNet101, ResNet152, MobileNet, Xception and DenseNet169 models. First, a dataset was created by processing vine leaf images through various preprocessing steps. Then, this dataset was trained and evaluated with each model separately. The performance of the models was analyzed considering criteria such as accuracy, training time, and model complexity. Experimental results showed that the ResNet101 model exhibited the highest performance with an accuracy rate of 88%, but it required a long training time of 17 hours. The Xception model demonstrated a performance close to ResNet101 with an accuracy rate of 86%, and it was considered preferable due to its notable processing time of 10 hours. The MobileNet model, with an accuracy rate of 80% and faster results (2 hours and 20 minutes), made it suitable for real-time applications. The DenseNet169 model, on the other hand, exhibited the lowest performance with an accuracy rate of 73%. These findings demonstrate that deep learning models can be effectively used for vine leaf classification, and selecting the right model is critical for both accuracy and efficiency. Future studies aim to increase the success rate with different neural network models in the literature and to improve image processing techniques. Additionally, based on the model with the highest accuracy, it is planned to develop a practical mobile application for agricultural producers and consumers.trinfo:eu-repo/semantics/openAccessAsma Yaprağı SınıflandırmasıDenseNetDerin ÖğrenmeMobileNetResNetTarımsal UygulamalarXceptionAgricultural ApplicationsDeep LearningVine Leaf ClassificationMaster Thesis