Tez No	İndirme	Tez Künye	Durumu
739637		Derin öğrenme yöntemleri ve yapay sinir ağı tabanlı NDVI değerleri ile çeltik bitkisi hastalıkların tespiti / Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values Yazar:İRFAN ÖKTEN Danışman: PROF. DR. UĞUR YÜZGEÇ Yer Bilgisi: Bilecik Şeyh Edebali Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning ; Evrişimli sinir ağları = Convolutional neural networks ; Yapay zeka = Artificial intelligence ; Çeltik = Paddy	Onaylandı Doktora Türkçe 2022 106 s.
Dünya çapında gıda tüketimi göz önüne alındığında pirincin önemli bir yere sahip olduğu görülür. Çeltik bitkisi, buğdaygiller ailesinden mısır ve buğdaydan sonra en fazla ekimi yapılan bitkidir. Çeltik üretiminde çeşitli zararlılardan ve hastalıklardan dolayı üretim kaybı yaşanmaktadır. Genellikle yaşanan bu kayıplara neden olan üç temel hastalık bulunmaktadır: yaprak patlaması (Leaf Blast - Pyricularia grisea), kahverengi lekeler (Brown Spot - Helminthosporium oryzae) ve beyaz noktalar (Hispa - Dicladispa armigera). Tüm bu hastalık belirtileri bitkinin yaprağında bulunmaktadır. Yaprak görüntülerinden bitki hastalığının otomatik bir şekilde teşhisi geliştirme aşamasında olan bir konudur. Bu tez kapsamında çeltik bitkisine ait bu üç hastalığı tespit etmek için derin öğrenme modellerinden Evrişimli Sinir Ağı (CNN: Convolution Neural Networks) kullanılmıştır. Çalışmada kullanılan 3341 adet çeltik bitkisi yaprağına ait RGB veri seti Kaggle sitesinden elde edilmiştir. Çeltik bitkisinin RGB yaprak görüntülerinden derin öğrenme modeli ile çeltik bitkisine ait üç önemli hastalık (Brown Spot, Leaf Blast ve Hispa) tespiti yüksek doğruluk oranlarıyla elde edilmiştir. Çeltik bitkisine ait hastalıkların erken tespiti için CNN modelinin deneyler sonucu bulunan en uygun hiper parametreler ile eğitimi gerçekleştirilmiştir. Ağın eğitimi için çeltik bitkisine ait RGB görüntüler kullanılarak %92,78 oranında doğruluk elde edilmiştir. Tarım alanlarında ürünlerin sağlık durumlarının incelenmesinde genellikle multispektral kameralardan ve uydu görüntülerinden elde edilen Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI: Normalized Difference Vegetation Index) değerleri kullanılmaktadır. NDVI verilerinin elde edilmesinde kullanılan uzaktan algılama tekniklerinde yüksek maliyet ve hava durumunun uygunluğu öne çıkmaktadır. Diğer alternatif olan insansız hava araçlarına (İHA) entegre edilmiş multispektral kamera sistemlerinin maliyetlerinin yüksek olması ve uzman gereksinimine ihtiyaç duyulması bir başka sorundur. Bu tez çalışmasında ikinci olarak multispektral kameraların yerine standart RGB görüntü veren kamera sistemlerinden NDVI değerini tahmin etmek (nNDVI: Neural network-based Normalized Difference Vegetation Index) için yeni bir yapay sinir ağı modeli önerilmiştir. Önerilen ağın eğitim ve testlerinde kullanılan veri seti İsviçre'de bir tarım alanından ve Togo'da bir çiftlikten multispektral kamera ile alınan görüntülerden elde edilmiştir. Bu model sayesinde %92,013 doğruluk oranı ile RGB görüntülerinden NDVI verileri elde edilmiştir. Son olarak bu tez kapsamında çeltik bitkisinin standart RGB görüntülerinden nNDVI verileri elde edilerek, bu veriler ile derin öğrenme modelinin eğitimi yapılmış ve %96,97'lik bir doğruluk oranına ulaşılmıştır. Çeltik bitkisindeki yaprak görüntüleri ile hastalığının tespiti için elde edilen bu başarım oranı, yöntemin uygulanabilirliğini göstermektedir.
Considering the worldwide food consumption, it is seen that rice has an important place. The rice plant is the most cultivated plant after corn and wheat from the grass family. Production loss is experienced in paddy production due to various pests and diseases. There are three main diseases that cause these losses: Leaf Blast (Pyricularia grisea), Brown Spot (Helminthosporium oryzae), and Hispa (Dicladispa armigera). All these disease symptoms are found in the leaves of the plant. The automatic diagnosis of plant disease from leaf image is a topic under development. In this thesis, Convolutional Neural Network (CNN), one of the deep learning models, was used to detect these three diseases of the rice plant. The RGB data set of 3341 rice plant leaves used in the study was obtained from the Kaggle website. With the deep learning model from RGB leaf image of rice plant, three important diseases of rice plant (Brown Spot, Leaf Blast and Hispa) were detected with high accuracy rates. For the early detection of diseases of rice plant, the training of the CNN model was carried out with the most appropriate hyper parameters found as a result of the experiments. For the training of the network, an accuracy of 92.78% was obtained by using RGB image of the rice plant. Normalized Difference Vegetation Index (NDVI) values obtained from multispectral cameras and satellite image are generally used to examine the health status of crops in agricultural areas. High cost and suitability of weather conditions come to the fore in remote sensing techniques used in obtaining NDVI data. Another problem is the high cost of multispectral camera systems integrated into unmanned aerial vehicles (UAV), which is another alternative, and the need for specialists. In this thesis, secondly, a new artificial neural network model is proposed to estimate the NDVI value (nNDVI: Neural network-based Normalized Difference Vegetation Index) from camera systems that provide standard RGB image instead of multispectral cameras. The data set used in the training and testing of the proposed network was obtained from image taken with a multispectral camera from an agricultural field in Switzerland and a farm in Togo. Thanks to this model, NDVI data was obtained from RGB image with an accuracy rate of 92,013%. Finally, within the scope of this thesis, nNDVI data was obtained from standard RGB image of rice plant, and a deep learning model was trained with these data and an accuracy rate of 96.97% was achieved. This success rate obtained for the detection of the disease with leaf image in the rice plant shows the applicability of the method.