Gürsel, Amira TandiroviçÇetinkaya, Süleyman2025-04-092025-04-092025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=ftqJzTasnJUH9hg-S5861pjrg5NSzPLdAEDv0NhHCjWZu1fb2yG-E-0iGTXLwKHFhttps://hdl.handle.net/20.500.14669/4215Lisansüstü Eğitim Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim DalıAgriculture is one of the most essential resources for sustaining human life and fostering the development and productivity of nations. To meet increasing demands for vegetables and fruits, it is imperative to conduct research and implement preventive measures to enhance production efficiency. Among these measures, addressing plant diseases stands out as a top priority. Recognizing and diagnosing plant diseases is critical for improving agricultural productivity, preventing the spread of infections, and minimizing economic losses. This study aims to classify and diagnose pepper leaf diseases, enabling early intervention to mitigate their impact. Diseases such as mildew, mites, caterpillars, worms, aphids, and leaf burn predominantly affect greenhouse peppers, leaving distinctive marks on their leaves. These unique features form the basis for developing a 7-class classification model that facilitates faster and more accurate diagnosis of pepper leaf diseases. While traditional direct measurement methods are straightforward and reliable, they are often time-consuming and labor-intensive. To overcome these limitations, Convolutional Neural Network (CNN) algorithms for image processing have been employed. A key preprocessing step involves color enhancement to amplify variations in green and yellow hues, improving the differentiation between disease classes. An innovative algorithm has been designed to enhance the vibrancy, contrast, and overall color properties of the images, ensuring optimal feature extraction. The classification process leverages the 19-layer VGGNet architecture, renowned for its high accuracy in handling complex datasets. To reduce training time, the pre-trained layers of VGGNet were frozen, and additional layers were added for fine-tuning. The proposed model was evaluated on a proprietary dataset specifically compiled for this study. To the best of our knowledge, this is the first study to focus on diagnosing aphid and caterpillar classes within this context. The model achieved an average accuracy of 92.00%, considered highly satisfactory for a 7-class diagnostic task. The primary source of misclassification was observed in the aphid class, attributed to the limited number of samples available for training.Tarım, insan yaşamını sürdürebilmek ve ulusların kalkınmasını ve verimliliğini desteklemek için en önemli kaynaklardan biridir. Artan sebze ve meyve taleplerini karşılamak için üretim verimliliğini artırmaya yönelik araştırmalar yapılması ve önleyici tedbirler alınması hayati önem taşımaktadır. Bu tedbirler arasında bitki hastalıklarının ele alınması öncelikli bir konudur. Bitki hastalıklarının tanınması ve teşhis edilmesi, tarımsal verimliliğin artırılması, hastalıkların yayılmasının önlenmesi ve ekonomik kayıpların en aza indirilmesi açısından kritik bir öneme sahiptir. Bu çalışma, biber yaprağı hastalıklarını sınıflandırmayı ve teşhis etmeyi hedeflemekte, böylece bu hastalıkların etkilerini azaltmak için erken müdahale imkanı sağlamaktadır. Küf, akar, tırtıl, kurt, yaprak biti ve yaprak yanıklığı gibi hastalıklar, özellikle seralarda yetiştirilen biberlerin yapraklarını etkileyerek karakteristik izler bırakmaktadır. Bu belirgin özellikler, biber yaprağı hastalıklarının daha hızlı ve doğru teşhisini sağlayan 7 sınıflı bir sınıflandırma modelinin geliştirilmesinde temel alınmıştır. Geleneksel doğrudan ölçüm yöntemleri basit ve güvenilir olsa da genellikle zaman alıcı ve emek yoğun olmaktadır. Bu sınırlamaların üstesinden gelmek için görüntü işleme konusunda Evrişimli Sinir Ağı (CNN) algoritmaları kullanılmaktadır. Ana ön işleme adımı, yeşil ve sarı tonlarındaki farklılıkları artırarak hastalık sınıfları arasındaki ayrımı kolaylaştırmak için renk geliştirme işlemini içermektedir. Görüntülerin canlılığını, kontrastını ve genel renk özelliklerini iyileştiren yenilikçi bir algoritma tasarlanmıştır. Sınıflandırma süreci, karmaşık veri setleriyle yüksek doğruluk oranı elde etmesiyle tanınan 19 katmanlı VGGNet mimarisi ile gerçekleştirilmiştir. Eğitim süresini kısaltmak için VGGNet'in önceden eğitilmiş katmanları dondurulmuş ve modelin ince ayarı için ek katmanlar eklenmiştir. Önerilen model, bu çalışma için özel olarak derlenmiş bir veri seti üzerinde test edilmiştir. Bildiğimiz kadarıyla, bu çalışma yaprak biti ve tırtıl sınıflarının teşhisine odaklanan ilk çalışmadır. Model, 7 sınıflı teşhis görevi için oldukça tatmin edici bir performans olarak kabul edilen %92.00 ortalama doğruluk oranına ulaşmıştır. Yanlış sınıflandırmaların ana kaynağı, yaprak biti sınıfında, eğitim için kullanılan örneklerin sınırlı sayıda olmasından kaynaklanmaktadır.eninfo:eu-repo/semantics/openAccessElektrik ve Elektronik MühendisliğiElectrical and Electronics EngineeringMaster Thesis601963948