Determination of the effectiveness of artificial intelligence models in detecting maize leaf diseases

Basit Öğe Kaydı
dc.contributor.advisorTekeli, Erkut
dc.contributor.authorGökten, Adnan
dc.date.accessioned2025-04-09T09:23:25Z
dc.date.available2025-04-09T09:23:25Z
dc.date.issued2025
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Yazılım Mühendisliği Ana Bilim Dalı, Yazılım Mühendisliği Bilim Dalı
dc.descriptionLisansüstü Eğitim Enstitüsü, Yazılım Mühendisliği Ana Bilim Dalı
dc.description.abstract Maize is a strategic agricultural product that is of great importance as a source of food and feed; however, leaf diseases cause significant losses in production. The time-consuming nature and high error rate of traditional diagnostic methods have accelerated the search for innovative solutions in agriculture. In this study, the automatic diagnosis of Maize leaf diseases using Convolutional Neural Networks (CNN) was investigated. The dataset obtained from Kaggle, containing images of diseased and healthy leaves, was divided into 80% training, 10% validation, and 10% test sets to compare the performance of different CNN models. The ConvNeXt model demonstrated the highest performance with a 96% accuracy rate, followed by DenseNet with 95% and EfficientNet with 94% accuracy rates. MobileNet stood out with a 92% accuracy rate and low computational cost. The results show that modern CNN architectures provide higher accuracy and efficiency compared to older models. The use of deep learning technologies in agricultural applications holds significant potential in the agricultural sector by offering effective and reliable solutions for disease diagnosis.
dc.description.abstractMısır, stratejik bir tarım ürünü olarak gıda ve yem kaynağı açısından büyük öneme sahiptir; ancak yaprak hastalıkları, üretimde önemli kayıplara neden olmaktadır. Geleneksel teşhis yöntemlerinin zaman alıcı ve hata oranı yüksek olması, tarımda yenilikçi çözümler arayışını hızlandırmıştır. Bu çalışmada, Evrişimsel Sinir Ağları (CNN) kullanılarak mısır yaprak hastalıklarının otomatik teşhisi incelenmiştir. Kaggle'dan alınan ve hastalıklı ile sağlıklı yaprak görüntülerini içeren veri seti, %80 eğitim, %10 Validation ve %10 Test oranında ayrılarak farklı CNN modellerinin performansları karşılaştırılmıştır. ConvNeXt modeli %96 doğruluk oranıyla en yüksek performansı sergilerken, DenseNet %95 ve EfficientNet %94 doğruluk oranları ile onu takip etmiştir. MobileNet, %92 doğruluk oranı ve düşük hesaplama maliyetiyle öne çıkmıştır. Sonuçlar, modern CNN mimarilerinin eski nesil modellere kıyasla daha yüksek doğruluk ve verim sağladığını göstermektedir. Derin öğrenme teknolojilerinin tarımsal uygulamalarda kullanımı, hastalık teşhisinde etkin ve güvenilir çözümler sunarak tarım sektöründe önemli bir potansiyel taşımaktadır.
dc.identifier.endpage73
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=Xau5rw3KuCgEuy-FuJQtsKTOcd30lSyoC1U5FXzO_1zjckoFQSI7sPWLTZDUlyxU
dc.identifier.urihttps://hdl.handle.net/20.500.14669/4240
dc.identifier.yoktezid958935
dc.language.isoen
dc.publisherAdana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241211
dc.subjectMühendislik Bilimleri
dc.subjectEngineering Sciences
dc.titleDetermination of the effectiveness of artificial intelligence models in detecting maize leaf diseases
dc.title.alternativeMısır yaprak hastalıklarının tespitinde yapay zeka modellerinin etkinliğinin saptanması
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu