Sofuoğlu, Cemal İhsanBırant, Derya2024-04-292024-04-292023-09-03Sofuoğlu, C. İ. ve Bırant, D. (2023). "Using convolutional neural network for grape plant disease classification". Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 28(3), 809-820.https://dergipark.org.tr/tr/pub/uumfd/issue/81080/1277418https://dergipark.org.tr/tr/download/article-file/3060845https://hdl.handle.net/11452/41271Plant disease classification is the use of machine learning techniques for determining the type of disease from the input leaf images of the plants based on certain features. It is an important research areasince early identification and treatment of plant disease is critical for saving crops, preventing agricultural disasters, and improving productivity in agriculture. This study proposes a new convolutional neuralnetwork model that accurately classifies the diseases on the plant leaves for the agriculture sectors. Itespecially works on the classification of plant diseases for grape leaves from images by designing a deep-learning architecture. A web application was also implemented to help the agricultural workers. The experiments carried out on real-world images showed that a significant improvement (8.7%) on averagewas achieved by the proposed model (98.53%) against the state-of-the-art models (89.84%) in terms of accuracy.Bitki hastalık sınıflandırması, belirli özelliklere dayalı olarak bitkilerin yaprak görüntülerinden hastalık türünün belirlenmesi için makine öğrenmesi tekniklerinin kullanılmasıdır. Bitki hastalıklarının erken teşhisi ve tedavisi, ekinleri kurtarmak, tarımsal felaketleri önlemek ve tarımda verimliliği artırmak için kritik olduğundan, önemli bir araştırma alanıdır. Bu çalışma, tarım sektörü için bitki yapraklarındaki hastalıkları doğru bir şekilde sınıflandıran yeni bir evrişimli sinir ağı modeli önermektedir. Bir derin öğrenme mimarisi tasarlayarak özellikle üzüm yapraklarındaki hastalıkların sınıflandırılması üzerine çalışmaktadır. Tarım işçilerine yardımcı olması için bir web uygulaması da geliştirilmiştir. Gerçek dünya görüntüleri üzerinde yapılan denemeler, önerilen modelin (%98,53) doğruluk açısından son teknoloji modellere (%89,84) göre ortalamada önemli bir iyileştirme (%8,7) sağladığını göstermiştir.eninfo:eu-repo/semantics/openAccessDeep learningConvolutional neural networkImage classificationAgricultureGrapePlant diseaseDerin öğrenmeEvrişimli sinir ağıGörüntü sınıflandırmaTarımÜzümBitki hastalığıArticle809820283https://doi.org/10.17482/uumfd.1277418