AI Bitki Hastalığı Tespit Sistemi, %84 Doğrulukla Mahsul Verimini Artırıyor

Tarımda tespit edilemeyen bitki hastalıklarından kaynaklanan kayıplar, küresel ekonomiye her yıl milyarlarca dolara mal olmaktadır. Çiftçiler genellikle semptomları erken teşhis etmekte zorlanır ve bu da geri dönüşü olmayan mahsul hasarlarına yol açar. Peki teknoloji bu boşluğu doldurabilir mi—basit bir yaprak fotoğrafından anında, doğru hastalık tespiti sağlayabilir mi?

İşte Bitki Hastalığı Tespit Sistemi, çiftçilerin bitki sağlığını izleme ve yönetme biçimini devrim yaratma vaadinde bulunan, yapay zekâ destekli bir web uygulaması. Derin öğrenme evrişimli sinir ağları (CNN’ler) kullanan bu sistem, yaprak görüntülerini analiz ederek hastalıkları dikkate değer bir hassasiyetle tanımlar.

AI’nin Mahsul Hastalık Yönetimini Dönüştürmesi

Sistem, gerçek zamanlı hastalık tespitini eyleme geçirilebilir bilgilerle birlikte sunmak için TensorFlow ve Djangodan yararlanır. Manuel denetimlere veya gecikmeli laboratuvar sonuçlarına dayanan geleneksel yöntemlerin aksine, bu platform çiftçilerin bir görüntü yüklemesini ve potansiyel hastalıklar, önerilen tedaviler ve önleyici tedbirler hakkında anında geri bildirim almasını sağlar.

Ana özellikler şunlardır:

• Yüklenen yaprak görüntülerinden anında hastalık tanımlama
• Tespit edilen duruma özel tedavi ve gübre önerileri
• Hastalık ilerlemesini izlemek için tahminlerin geçmiş takibi
• Masaüstü, tablet ve akıllı telefonlar için duyarlı tasarımla çapraz platform uyumluluğu
• Mobil uygulamalarla sorunsuz entegrasyon için güvenli API uç noktaları

Desteklenen Mahsuller ve Yüksek Hassasiyetli Tespit

Model, aşağıdakiler de dahil olmak üzere başlıca mahsuller arasında 38 hastalık sınıfını destekler:

• Domates (10 sınıf: erken yanıklık, geç yanıklık, bakteriyel leke vb.)
• Patates (3 sınıf: erken yanıklık, geç yanıklık, sağlıklı)
• Mısır (4 sınıf: kuzey yaprak yanıklığı, sağlıklı vb.)
• Biber (2 sınıf: bakteriyel leke, sağlıklı)
• Genişleyen hastalık kapsamıyla ek mahsuller

68,78% ila 84% arasında değişen test doğruluğuyla sistem, kritik karar verme süreçleri için güvenilir sonuçlar sunar. Kaggle’daki PlantVillagedan alınan eğitim veri seti, 54.000’den fazla etiketlenmiş görüntü içerir ve bu da model performansının sağlamlığını sağlar.

Teknik Ayrıntılar: Mimarisi ve İş Akışı

Arka uç Django ve Django REST Frameworke dayanırken, makine öğrenimi bileşeni TensorFlow 2.15 ve Keras ile inşa edilmiştir. CNN mimarisi, gerçek dünya uygulamaları için hem hız hem de doğruluğu optimize eden MobileNetV2 kullanılarak transfer öğrenimi temelinde oluşturulmuştur.

Adım Adım İş Akışı

1. Kullanıcı web arayüzü veya API üzerinden bir yaprak görüntüsü yükler.
2. Sistem, tutarlı analiz için görüntüyü 224x224 çözünürlüğe ön işleme tabi tutar.
3. CNN modeli, görüntüyü eğitim veri setiyle karşılaştırır.
4. Sonuçlar aşağıdakilerle birlikte geri gönderilir:

• Tespit edilen hastalık adı ve güven puanı
• Özel tedavi adımları
• Gübre önerileri
• Önleme stratejileri

Performans Metrikleri

| Metrik | Eğitim | Doğrulama | Test | |-----------------|--------------|--------------|-------------| | Doğruluk | %82,32 | %77,15 | %68,78 |

Model, bazı test performansındaki değişkenliğe rağmen ana hastalık sınıflarında %81–84 doğruluk elde eder ve güçlü bir genelleme yeteneği gösterir.

Başlarken: Kurulum ve Ayar

Sistemin kurulması için Python 3.8+, pip ve bağımlılık yönetimi için sanal ortam gereklidir.

Ön Koşullar

• Python 3.8 veya üzeri
• pip paket yöneticisi
• Minimum 4GB RAM
• Model ve bağımlılıklar için 2GB depolama alanı

Hızlı Kurulum Kılavuzu

# Depoyu klonlayın
git clone
cd Plant-Disease-Detection

# Sanal ortam oluşturun ve etkinleştirin
python -m venv venv
# Windows
venv\Scripts\activate
# Linux/macOS
source venv/bin/activate

# Bağımlılıkları yükleyin
pip install -r requirements.txt

Model Yapılandırma Seçenekleri

Seçenek 1: Önceden Eğitilmiş Modeli Kullanın

Aşağıdaki dosyaları /models dizinine yerleştirin:

• plant_disease_model.h5 (eğitilmiş CNN modeli)
• class_names.json (