Abstract
Early diagnosis of plant diseases is decisive in reducing crop losses. This study compares EfficientNet-B0, MobileNetV3 and ResNet-50 on images of tomato leaves in ten classes. In addition to laboratory images, 3,200 field images collected from greenhouses in Konya were used to test performance under real conditions. With data augmentation and domain adaptation, EfficientNet-B0 achieved 91.8% accuracy on field data. The model was integrated into a mobile application made available to farmers.
Domates Yaprak Hastalıklarının EfficientNet Tabanlı Hafif Modellerle Sınıflandırılması
Bitki hastalıklarının erken teşhisi ürün kayıplarının azaltılmasında belirleyicidir. Bu çalışmada domates yapraklarına ait on sınıftan oluşan görüntülerle EfficientNet-B0, MobileNetV3 ve ResNet-50 modelleri karşılaştırılmıştır. Laboratuvar ortamı görüntülerine ek olarak Konya'daki seralardan toplanan 3.200 saha görüntüsü ile modellerin gerçek koşullardaki başarımı sınanmıştır. Veri artırma ve alan uyarlaması uygulanan EfficientNet-B0 modeli saha verisinde %91,8 doğruluk elde etmiştir. Model bir mobil uygulamaya entegre edilerek çiftçilerin kullanımına sunulmuştur.
Full Text
Declarations
- Ethics Approval
- Bu çalışma etik kurul onayı gerektirmemektedir.
- Conflict of Interest
- Yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.
References 6
- Tan, M., & Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning (pp. 6105–6114).
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
- Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. In International Conference on Learning Representations.
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.
- Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. In International Conference on Learning Representations.
- Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1), 1929–1958.
How to Cite
License
© 2025 Fatma Nur Kılıç, Zeynep Aydoğdu. This article is distributed under the terms of the CC BY 4.0 license, which permits unrestricted use, distribution and reproduction in any medium, provided the original work is properly cited. License text