Dünya çapında pirinç tüketimi göz önüne alındığında pirincin önemli bir yere sahip
olduğu görülür. Çeltik bitkisi, buğdaygiller ailesinden mısır ve buğdaydan sonra en
fazla ekimi yapılan bitkidir. Tarım alanındaki son araştırma konularından biriside,
bir bitkinin yaprak görüntülerinden hastalıkların tanınması veya sınıflandırılmasıdır.
Yaprak görüntülerinden çeltik hastalığının otomatik bir şekilde teşhis edilmesi,
geliştirme aşamasında olan bir araştırma konusudur. Bu gelişime katkı sağlamak
amacıyla farklı öğrenme yöntemleri kullanılarak hastalığın erken teşhisi için önemli
çalışmalar yapılmaktadır. Bu çalışmada temel olarak hastalıkları tespit etmek için bir
makine öğrenme yöntemi olan derin öğrenme modelleri kullanılmıştır. Bu çalışmada
derin Evrişimli Sinir Ağı (ESA) kullanılarak çeltik bitkisinin hastalıklı olup olmadığı
tespit edilmiştir. Çalışmada kullanılan 5000 adet çeltik bitkisi yaprağına ait veri seti
Kaggle sitesinden alınmıştır. Hastalığın tespiti için çeltik bitkisine ait üç hastalık
(BrowSpot, LeafBlast ve Hispa) ve sağlıklı olmak üzere toplam iki sınıflı
sınıflandırma yapılmıştır. Çeltik bitkisinin hastalığının tespiti için kullanılan ESA'nın
hiper-parametrelerinde değişiklik yapılarak %91,54’lük bir başarım oranı elde
edilmiştir. Veri artırma yöntemiyle veri setindeki 5000 görüntüden 8000 çeltik bitki
yaprağı görüntüsü elde edilmiş ve ESA için bu görüntüler üzerinden yapılan
eğitimden sonra %94,87’lik bir başarım oranı elde edilmiştir. Kullanılan veri
setindeki görüntüler üzerinden ön işlem yapıldıktan sonra ESA ile eğitim işleminden
sonra %97,57’lik bir başarım oranı elde edilmiştir.
Considering the worldwide rice 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. One of the latest research topics in agriculture is the recognition or
classification of diseases from images of a plant's leaves. Automatic diagnosis of rice
disease from leaf images is a research subject under development. In order to
contribute to this development, important studies are carried out for the early
diagnosis of the disease by using different learning methods. In this study, deep
learning models, which is a machine learning method, were used to detect diseases.
In this study, it was determined whether the rice plant was diseased or not by using
the deep Convolutional Neural Network (CNN). The data set of 5000 rice plant
leaves used in the study was taken from the Kaggle website. In order to detect the
disease, a total of two classifications were made as three diseases of the rice plant
(BrowSpot, LeafBlast and Hispa) and healthy. An accuracy rate of 91.54% was
obtained by modifying the hyper-parameters of ESA, which is used to detect the
disease of rice plant. With the data augmentation method, 8000 rice plant leaf images
were obtained from 5000 images in the data set and an accuracy rate of 94.87% was obtained after training on these images for ESA. After preprocessing on the images
in the used dataset, an accuracy rate of 97.57% was obtained after training with ESA.
