Bitki Yaprak Hastalığı Sınıflandırması

2025 Bilgisayarlı Görü & Makine Öğrenmesi Python TensorFlow Keras CNN MobileNetV2 EfficientNet-B0 scikit-learn PCA

Proje Özeti

Elektrik-Elektronik Mühendisliği tezli yüksek lisans programındaki bir ders kapsamında, PlantVillage yaprak görüntüleri üzerinde bitki sağlığı ve hastalık sınıflarını ayırt etmeye yönelik karşılaştırmalı bir bilgisayarlı görü çalışması gerçekleştirdim.

Final deney akışında 34 sınıflı veri kümesi kullanıldı. Baseline CNN mimarisi, ImageNet ağırlıklarıyla başlatılan MobileNetV2 ve EfficientNet-B0 modelleri, transfer learning ve fine-tuning aşamalarıyla değerlendirildi. Ayrıca ham piksel temsili, StandardScaler ve PCA kullanılarak kNN, Random Forest ve doğrusal SVM modelleriyle klasik makine öğrenmesi karşılaştırması yapıldı.

Öğrenme oranı ve batch size için deneyler yürütüldü; confusion matrix, accuracy ve macro-F1 gibi ölçütler incelendi. Kaydedilen sonuçlarda MobileNetV2 fine-tuning sonrasında doğrulama başarımı %97,56, ayrı final CNN test deneyi için doğruluk %92,40 ve macro-F1 %90,56 olarak raporlanıyor. Bu rakamlar farklı modellerin/farklı değerlendirme aşamalarının sonuçlarıdır. Proje kontrollü veri üzerinde deneysel bir çalışmadır; sahada doğrulanmış tanı uygulaması değildir.

Veri Seti

  • PlantVillage Veri Kümesi

    Final deneyler için 34 sınıflı görüntülerin kullanılması ve sınıf temelli veri hazırlığı.

  • Veri Bölme

    Yaklaşık %70 eğitim, %15 doğrulama, %15 test oranıyla veri ayrımı; tekrarlanabilirlik için sabit tohum.

  • Görüntü Ön İşleme

    Derin öğrenme için 224×224; klasik modeller için 64×64 boyutlu görüntü akışları.

Derin Öğrenme

  • Baseline CNN

    Üç konvolüsyon-havuzlama bloğu, yoğun katman ve softmax ile çok sınıflı sınıflandırma.

  • MobileNetV2

    ImageNet başlangıç ağırlıklarıyla özellik çıkarımı ve seçili son katmanlarda fine-tuning; %97,56 doğrulama başarımı.

  • EfficientNet-B0

    Transfer learning ve fine-tuning yaklaşımıyla alternatif CNN omurgasının denenmesi.

  • Final CNN Testi

    Ablation sonrası baseline CNN için %92,40 test doğruluğu ve %90,56 macro-F1 raporlanması.

Klasik Makine Öğrenmesi

  • PCA ile Boyut İndirgeme

    64×64 görüntülerin standardize edilmesi; PCA64, PCA128 ve PCA256 bileşenlerinin incelenmesi.

  • Random Forest + PCA128

    Klasik ML karşılaştırmasında %68,19 doğruluk ve %58,97 macro-F1 olarak kaydedilen sonuç.

  • kNN ve Lineer SVM

    PCA128 özellikleri üzerinde komşuluk ve doğrusal sınıflandırma yaklaşımlarının karşılaştırılması.

Deneysel Çalışmalar

  • Hiperparametre Deneyleri

    Baseline CNN için öğrenme oranı ve batch size etkilerinin karşılaştırılması.

  • Model Değerlendirme

    Accuracy, macro-F1, karışıklık matrisi ve eğitim/doğrulama eğrilerinin incelenmesi.

  • Değerlendirme Sınırları

    Farklı notebook sürümleri ve veri bölmeleri bulunduğu için validation ve test ölçümlerinin ayrı belirtilmesi.

Kullanılan Teknolojiler

Python
TensorFlow / Keras
CNN
MobileNetV2
EfficientNet-B0
scikit-learn / PCA
Matplotlib
Jupyter / Colab