Derin Öğrenmeyi Kullanarak Yapay Zeka Destekli Tarım Ürünlerinde Hastalık Tespiti

Abstract

Bitki hastalıkları, mahsul verimini ve kalitesini düşürerek çiftlik gelirlerini ve gıda güvenliğini tehdit eder. Bu tez, 14 farklı mahsul türünü kapsayan 38 hastalık ve sağlıklı kategoriye yaprak fotoğraflarını sınıflandıran yapay zeka destekli bir mahsul hastalığı tespit sistemi geliştirmektedir. Çalışma, Kaggle'da dağıtılan ve yaygın olarak kullanılan PlantVillage tabanlı bir kıyaslama veri setini kullanmakta ve verimli, uygulanabilir çıkarım için MobileNetV2 evrişimsel sinir ağı ile transfer öğrenmesini uygulamaktadır. Genelleme yeteneğini geliştirmek için muhafazakar veri artırma ile birlikte iki aşamalı bir eğitim stratejisi (özellik çıkarımı ve ardından kısmi ince ayar) benimsenmiştir. Eğitilmiş model, çevrimdışı çıkarım yapan ve güven puanlarıyla sıralı tahminler döndüren bir masaüstü karar destek uygulamasına entegre edilmiştir. Tez, toplam performansı raporlamanın ötesinde, ayrıntılı hata analizi sunmakta, veri seti yanlılığı ve alan kayması risklerini tartışmakta ve sistemin ne zaman bir teşhis, ne zaman da 'belirsiz' bir sonuç döndürmesi gerektiğine dair pratik karar kuralları önermektedir. Ortaya çıkan çalışma, uçtan uca, tekrarlanabilir bir süreç ve saha verisi toplama, güven kalibrasyonu ve açık küme tanıma mekanizmaları yoluyla genişletilebilen, dağıtıma yönelik bir temel sunmaktadır. Anahtar kelimeler: bitki hastalığı tespiti, derin öğrenme, MobileNetV2, transfer öğrenme, PlantVillage, karar destek.Plant diseases reduce crop yield and quality, threatening farm incomes and food security. This thesis develops an AI-assisted crop disease detection system that classifies leaf photographs into 38 disease and healthy categories covering 14 crop species. The study uses a widely adopted PlantVillage-derived benchmark dataset distributed on Kaggle and implements transfer learning with the MobileNetV2 convolutional neural network for efficient, deployable inference. A two-phase training strategy (feature extraction followed by partial fine-tuning) is adopted alongside conservative data augmentation to improve generalisation. The trained model is integrated into a desktop decision-support application that performs offline inference and returns ranked predictions with confidence scores. Beyond reporting aggregate performance, the thesis provides detailed error analysis, discusses dataset bias and domain-shift risks, and proposes practical decision rules for when the system should return a diagnosis versus an 'uncertain' outcome. The resulting work contributes an end-to-end, reproducible pipeline and a deployment-oriented baseline that can be extended through field data collection, confidence calibration, and open-set recognition mechanisms.