Erdinç, Atilla2024-05-202024-05-202023-09-18Bütüner, A. K. vd. (2023). ''Machine learning-based detection and severity assessment of sunflower powdery mildew: A precision agriculture approach''. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 37(2), 387-400.https://dergipark.org.tr/tr/download/article-file/3318616https://dergipark.org.tr/tr/pub/bursauludagziraat/issue/81207/1340129https://hdl.handle.net/11452/41490Sunflower powdery mildew (Golovinomyces cichoracearum (DC.) V.P. Heluta) is a substantial threat to sunflower crops, causing significant yield loss. Traditional identification methods, based on human observation, fall short in providing early disease detection and quick control. This study presents a novel approach to this problem, utilizing machine learning for the early detection of powdery mildew in sunflowers. The disease severity levels were determined by training a Decision Trees model using matrix of soil, powdery mildew, stems, and leaf images obtained from original field images. It was detected disease severity levels of 18.14% and 5.56% in test images labeled as A and C, respectively. The model's demonstrated accuracy of 85% suggests high proficiency, indicating that machine learning, specifically the DTs model, holds promising prospects for revolutionizing disease control and diseases prevention in agriculture.Ayçiçeğinde külleme (Golovinomyces cichoracearum (DC.) V.P. Heluta), önemli ölçüde verim kaybına neden olan, ayçiçeği ürünleri için önemli bir tehdittir. Geleneksel teşhis yöntemleri, insan gözlemine dayalı olarak, erken hastalık tespiti ve hızlı kontrol sağlama konusunda yetersiz kalmaktadır. Bu çalışma, ayçiçeğinde küllemenin erken tespiti için makine öğrenimini kullanarak bu soruna yeni bir yaklaşım sunmaktadır. Orijinal alan görüntülerinden elde edilen fotoğraflara ait toprak, külleme, sap ve yaprak matrisleri ile Decision Trees (Karar Ağaçları) modeli eğitilerek hastalık şiddet seviyeleri tespit edilmiştir. Test görüntülerinde sırasıyla A ve C olarak etiketlenmiş hastalık şiddeti seviyeleri %18.14 ve %5.56 olarak belirlenmiştir. Modelin %85 oranında gösterdiği doğruluk, modelin yüksek düzeyde yetkinliğe ve özellikle Decision Trees modelinin tarım alanında hastalık kontrolünü ve hastalıkların önlenmesini devrimleştirmek için umut verici perspektiflere sahip olduğunu göstermektedir.eninfo:eu-repo/semantics/openAccessDecision treesDisease severityMachine learningPowdery mildewSunflowerKarar ağaçlarıMakine öğrenimiKüllemeAyçiçeğiHastalık şiddeti387400372https://doi.org/10.20479/bursauludagziraat.1340129