Ön-Eğitimli CNN Mimarilerinin Füzyonu ile Mısır Yaprağı Hastalıklarının Sınıflandırılması

Mısır, dünyanın birçok yerinde temel gıda olarak kullanılmaktadır. Mısır, yağ ve yüksek fruktozlu mısır şurubu yapmak için kullanılabilecek iyi bir nişasta kaynağıdır. Mısır ve mısır unu çok hayati ürünler olduğundan, Yanık, Pas ve Gri Yaprak Lekesi gibi bazı hastalıkların erken teşhisiyle bitkilerin iyileştirilmesini sağlanarak ürün kalitesinin düşmesi önlenebilecektir. Bu sayede hem ürünün kalitesi hem de elde edilen ürün miktarı arttırılabilmektedir. Bu çalışmada, Evrişimli Sinir Ağı insert ignore into journalissuearticles values(CNN); tabanlı VGG-19, DenseNet-201 ve NasNet-Large modelleri kullanılarak mısır yaprağı görüntülerinden öznitelik çıkarımı yapılmıştır. Veri setindeki dengesizliğin giderilmesi için Sentetik Azınlık Yüksek Örnekleme Tekniği insert ignore into journalissuearticles values(SMOTE); yöntemi ile balans ayarı yapılmıştır. Öznitelik sayısını düşürmek için boyut indirgeme yöntemlerinden Temel Bileşen Analizi insert ignore into journalissuearticles values(PCA); kullanılmıştır. Mısır yaprağındaki hastalıkları sınıflandırmak amacıyla Destek-Vektör Makinaları insert ignore into journalissuearticles values(SVMs); algoritması kullanılmıştır. Algoritmanın performansını artırmaya yönelik GridSearchCV yaklaşımı ile mısır yapraklarındaki hastalıkları tanımlamak için Kernel function ve Box constrain hiperparametreleri optimize edilmiştir. Elde edilen deneysel sonuçlar genel erişime açık Kaggle mısır veya mısır yaprağı hastalığı veri kümesi üzerinde test edilmiştir. Elde edilen deneysel sonuçlarda sadece CNN ile özellik çıkarımı yapılan görüntülerin LibSVM ile sınıflandırılmasında 4 sınıf için sırasıyla %94,5, %94,4, %94,3, ve %96,2 doğruluk oranlarına ve %94,3 ağırlıklı ortalamaya ulaşılmıştır. Önerilen yöntem kullanılarak LibSVM ile 4 sınıf için sırasıyla %96,7, %96,7, %96,7 ve %97,8 doğruluk oranlarına ve %96,7 ağırlık ortalamaya ulaşılmıştır. Böylece önerilen yöntemle elde edilen sınıflandırma doğruluğunda optimizasyon yapılmadan elde edilen sınıflandırma doğruluğuna göre birinci sınıf için %2,2, ikinci sınıf için %2,3, üçüncü sınıf için %2,4 ve dördüncü sınıf için %1,6, bununla birlikte ağırlıklı ortalamada %2,4 oranında iyileşme sağlandığı görülmüştür.