Ön-Eğitimli CNN Mimarilerinin Füzyonu ile Mısır Yaprağı Hastalıklarının Sınıflandırılması

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