Tez No	İndirme	Tez Künye	Durumu
687118		Buğdayda sarı pas (Puccinia striiformis) hastalığının değerlendirilmesi için görüntü ı̇şleme teknikleri kullanılarak bir karar destek sisteminin geliştirilmesi / Development of a decision support system by using image processing techniques for estimation of yellow rust (Puccinia striiformis) disease Yazar:TOLGA HAYIT Danışman: PROF. DR. HASAN ERBAY Yer Bilgisi: Kırıkkale Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2021 139 s.
Buğdayda sarı pas hastalığı (Puccinia striiformis) son derece tahribat özelliğinden dolayı, dünya çapında buğday üretiminde önemli ekonomik kayıplara neden olmaktadır. Esasında, buğday yetiştiriciliği alanlarında hastalıkların görülme şiddetine göre farklı düzeylerde verim ve kalite kayıpları oluşabilmekte ve buna bağlı olarak da ekonomik zararlar meydana gelmektedir. Başta Orta Anadolu olmak üzere üretim alanlarında görülen, verim artışını engelleyen ve kalitenin düşmesine neden olan bazı önemli fungal hastalık etmenleri bilinmektedir. Bunların başında Sarı pas hastalığı gelmektedir. Bu hastalık buğdayın verim ve kalitesini sınırlayan önemli faktörler arasındadır. Bu yüzden tarla koşullarında sarı pas hastalığının tespit ve teşhis çalışmalarının sağlıklı bir şekilde sürdürülebilmesi önem arz etmektedir. Sarı pas, buğday yapraklarında çeşitli enfeksiyon türleri ile kendini göstermektedir. Hastalığın enfeksiyon derecesi, kullanılan buğdayın türü, üretim alanlarındaki iklim ve hava koşulları, bitkiyi korumak için kullanılan kimyasallar gibi çeşitli faktörlere bağlıdır. Bu kriterler, araştırmacılara ve üreticilere hastalığa karşı olası eylemleri gerçekleştirebilmeleri ve sonraki dönem için yeterli önlemleri alabilmeleri bakımından gerekli bilgiyi sağlamaktadır. Bununla birlikte, tarla koşullarında hastalığın şiddetinin sınıflandırılması işlemi, alanında uzmanlar tarafından görsel inceleme ile belirli standartlara göre gerçekleştirilir. Hastalığın şiddetinin doğru bir şekilde belirlenememesi üretimde ileriki aşamalarda sorun yaratabilmektedir. Bu tez çalışması, sarı pas hastalığının incelenmesi için özel olarak ayrılmış tarla ortamından alınan buğday yaprak görüntülerinin 6 çeşit enfeksiyon türü kategorisinde sınıflandırılabilmesi için doku analizi yöntemleri, özellik çıkarımında derin ve yapısal yöntemlerin kombinasyonunu içeren yeni hibrit bir yöntem ve tamamen derin öğrenmeye dayalı yaklaşımları tartışmaktadır. Hibrit öznitelikler geleneksel metotlardan ve derin öğrenme tabanlı modellerden elde edilen özniteliklerin bir araya getirilmesiyle ile elde edilmiş ve sınıflandırmada doku analizinde başarısı kanıtlanmış metotlar işe koşulmuştur. Derin öznitelikler için önceden eğitilmiş DenseNet-201 ağı kullanılmıştır. Farklı renk uzaylarının renk verilerinden de faydalanılmıştır. Hibrit özelliklere dayalı sınıflandırmada %91,7 doğruluk başarısı elde edilmiştir. Diğer yandan aynı veri seti kullanılarak tamamen derin öğrenmeye dayalı sınıflandırmada literatürde yer alan önceden eğitilmiş farklı ağlar test edilmiştir ve doğruluk oranları belirlenmiştir. Üç farklı ağ üzerinden gerçekleştirilen denemelerde %91 ortalama doğrulukla en iyi performans Xception modeli ile elde edilmiştir. Çalışmada önerilen yöntemler benzer veri setleri ile yapılabilecek sınıflandırma çalışmaları için temel oluşturmakla birlikte sektörde hastalığın erken teşhisi ve önlenmesi doğrultusunda umut vericidir.
Yellow rust disease (Puccinia striiformis) in wheat causes significant economic losses in wheat production worldwide due to its highly destructive property. Essentially, different levels of yield and quality losses may occur in wheat growing areas, depending on the severity of the diseases, and accordingly, economic losses occur. Some important fungal disease are known, which are seen in production areas, especially in Central Anatolia, preventing the increase in yield and causing a decrease in quality. Yellow rust disease is one of them. This disease is among the important factors limiting the yield and quality of wheat. For this reason, it is important that the detection and diagnosis of yellow rust disease in field conditions can be carried out in a healthy way. Yellow rust shows various types of infections on wheat leaves. The level of infection of the disease depends on various factors such as the type of wheat used, the climate and weather conditions in the production areas, and the chemicals used to protect the plant. These criteria provide and producers with the necessary information to take possible actions against the disease and to take adequate measures for the next period. However, the classification of the severity of the disease in field conditions is carried out by experts in the field according to certain standards by visual inspection. Failure to accurately determine the severity of the disease may cause problems in the later stages of production. This thesis discusses textural analysis methods, a novel hybrid method that includes a combination of deep and textural methods for feature extraction, and deep learning approaches to classify wheat leaf images taken from a specially reserved field environment for the study of yellow rust disease into 6 categories of infections. Hybrid features were obtained by combining the features obtained from traditional methods and deep learning-based models, and methods with proven success in texture analysis were used in classification. Pre-trained DenseNet-201 network is used for deep features. Color data of different color spaces are also used. An accuracy of 91.7% was achieved in classification based on hybrid features. On the other hand, using the same data set, different pre-trained networks in the literature were tested and their accuracy rates were determined in the classification based on deep learning. The best performance was obtained with the Xception model with an average accuracy of 91% in the trials performed over three different networks. Although the methods proposed in the study form the basis for classification studies that can be done with similar data sets, they are promising in terms of early diagnosis and prevention of the disease in the sector.