Ulusal Çay Kongresi, Rize, Türkiye, 21 - 23 Mayıs 2024, ss.58-59, (Özet Bildiri)
Çay tüketimi hem sıcak hem de soğuk içecek olarak sadece ülkemizde değil bütün dünyada içecekler arasında ilk sıralarda yer almaktadır. Çay bitkisi birçok ülke için önemli ekonomik ürünlerin başında gelmektedir. Birleşmiş Milletler Gıda ve Tarım Örgütü'nün verilerine göre, son yıllarda çay üretilen alanlarında artış gözlemlenirken, bu alanlardan elde edilen çay üretim verimliliğinde yıldan yıla önemli miktarlarda düşüşler gözlenmektedir. Bu düşüşün sebepleri arasında; küresel ısınma, yetersiz sulama, yanlış ilaç ve gübre kullanımı gibi çeşitli faktörler gösterilmektedir. Bu faktörler, çay yapraklarında farklı hastalıklara neden olabilmekte, dolayısıyla hasat edilen çay yapraklarının miktar ve kalitesinde önemli ölçüde azalmalara sebep olmaktadır. Yaşanan bu zorlukların üstesinden gelinebilmesi için çay yapraklarındaki hastalıkların hızlı, otomatik ve doğru sınıflandırabilmesi gerekmektedir. Son yıllarda, yapay zeka alanındaki en önemli gelişmelerden biri olan öğrenme, sınıflandırma amaçlı çalışmalarda yaygın olarak kullanılmaya başlanmıştır. Derin öğrenme, çok katmanlı yapay sinir ağından oluşan model mimarileri ile insan zekası ve kabiliyetlerine neredeyse yakın modeller üretilebilmektedir. Derin öğrenme modelleri sayesinde denetimli ve denetimsiz görüntü sınıflandırılması yüksek doğrulukla gerçekleştirilebilmektedir. Tıbbi görüntülerin sınıflandırılması ve segmentasyonunu içeren sayısız çalışmada kullanılan temel model haline gelmiştir. Bu çalışmada, çay yapraklarındaki hastalıkların otomatik olarak sınıflandırılması için derin öğrenme modellerinin kullanılmasının etkinliğini irdelenmiştir. Analizler, Ruanda ve Bremen Üniversitesi tarafından yayınlanan “Çay Hastalığı Veri Seti” üzerinde gerçekleştirilmiştir. Veri seti sağlıklı ve yaygın yedi hastalığı içeren çay yaprağı görüntülerinden oluşmaktadır. Çalışmada, görüntü sınıflandırma modeli olarak yüksek genelleme kapasitesine sahip EfficientNet-B0 derin öğrenme sınıflandırma modeli kullanılmıştır. Sonuç olarak, tüm hastalık sınıflarının F1-Skor sınıflandırma metriği ortalama %86 tahmin doğruluğunda elde edilmiştir. Tahminlerin standart sapmalarına bakıldığında, elde edilen ±0.02 ile kullanılan modelin oldukça yüksek genelleme kabiliyetinde eğitildiği doğrulanmıştır.