Bitkiye zarar veren hastalıkların erken teşhisi, kimyasal tarım ilaçlarının tüketimini azaltmak, mali olarak tasarruf
etmek ve çevreye verilen kirliliği engelleyebilmek için oldukça önemlidir. Elma ağaç yapraklarında oluşan
herhangi bir hastalık durumunda, hastalık belirtilerini erken aşamada tespit edebilmek için çiftçiler uzman tarım
personelinden destek almak zorunda kalmaktadır. Bu durum çiftçilere büyük bir maliyet oluşturmaktadır.
Bahsedilen problemi çözebilmek adına scab, rust ve her ikisinin bir arada kullanılabileceği çoklu hastalık
gruplarını sınıflandırabilmek için Konvolüsyonel Sinir Ağı (CNN) yöntemi tabanlı derin öğrenme modeli
geliştirilmiştir. Önerilen yaklaşım popüler transfer öğrenim teknikleri olen DenseNet201, MobileNetV2,
ResNet50V2, ResNet101V2, ResNet152V2 algoritmalarını giriş katmanı olarak kullanan CNN katmanlarının
birleşiminden oluşmaktadır. Geliştirilen yöntem farklı seviyelerde aydınlatma, gürültü, arka planı homojen
olmama durumlarını içeren zorluk seviyesi yüksek bir veri seti üzerinde test edilmiştir. Test işlemlerinde önerilen
CNN tabanlı yöntemle sınıflandırma doğruluk oranı olarak %97 değerine ulaşılmıştır.
Early diagnosis of plant-damaging diseases is very important to reduce the consumption of chemical pesticides, to
save money and to prevent pollution to the environment. In case of any disease in apple tree leaves, farmers have
to get support from expert agricultural personnel in order to detect the signs of disease at an early stage. This
situation creates a great cost to the farmers. In order to solve the aforementioned problem, a deep learning model
based on the Convolutional Neural Network (CNN) method has been developed to classify scab, rust and multiple
disease groups in which both can be used together. The proposed approach consists of a combination of CNN
layers using popular transfer learning techniques DenseNet201, MobileNetV2, ResNet50V2, ResNet101V2,
ResNet152V2 algorithms as input layer. The developed method has been tested on a data set with high difficulty
level, which includes different levels of illumination, noise, and heterogeneous illumination. With the CNN-based
method recommended in the test processes, the classification accuracy rate was 97%.
