Derin öğrenme modelleri ile portakal meyvesi görüntülerinden hastalık tespiti

Abstract

Citrus diseases are recognized as a major issue that threatens fruit quality and agricultural productivity, leading to severe economic losses. Traditional diagnostic methods present significant limitations in practical use due to their labor-intensive nature, high costs, and dependence on expert evaluation. This increases the demand for automated and reliable solutions. In this study, three state-of-the-art deep learning architectures 'EfficientNet-B0, ConvNeXt-Tiny, and Vision Transformer (ViT-B/16)' were systematically compared on the Orange Fruit dataset, which includes healthy, citrus canker, and melanose samples. To enhance the generalization ability of the models and reduce the risk of overfitting, transfer learning was applied using networks pretrained on ImageNet, and advanced data augmentation strategies such as Mixup and Cutout were integrated. Experimental findings indicate that the ConvNeXt-Tiny architecture, supported by pretraining and data augmentation strategies, achieved superior performance compared to the other models. This model yielded the best results with an Accuracy of 98.76%, F1-Score of 99%, ROC-AUC of 99.95%, Precision of 99%, and Recall of 99%. Beyond numerical performance metrics, the transparency of model decisions was also addressed. Within the scope of explainable artificial intelligence (XAI), the widely adopted Grad-CAM method was employed alongside RISE, which is considered one of the first applications in agricultural contexts. RISE provided a more holistic visualization of the regions on the fruit surface influencing the decision process, thereby strengthening interpretability. The results demonstrate that modern deep learning models have significant potential for the early detection of citrus diseases, based on evaluations conducted on orange fruit images. Furthermore, the integration of XAI methods offers a substantial contribution to enhancing the reliability and transparency of digital agricultural decision-support systems.Turunçgil hastalıkları, meyve kalitesini ve tarımsal verimliliği tehdit eden, ciddi ekonomik kayıplara yol açan önemli bir sorun olarak kabul edilmektedir. Geleneksel teşhis yöntemleri, yoğun iş gücü gerektirmeleri, yüksek maliyetleri ve uzman görüşüne duydukları bağımlılık sebebiyle pratik kullanımda önemli kısıtlar taşımaktadır. Bu da otomatik ve güvenilir çözümlere duyulan ihtiyacı artırmaktadır. Bu çalışmada, güncel üç derin öğrenme mimarisi olan 'EfficientNet-B0, ConvNeXt-Tiny ve Vision Transformer (ViT-B/16)' sağlıklı, citrus canker ve melanose örneklerini içeren Orange Fruit veri seti üzerinde sistematik olarak karşılaştırılmıştır. Modellerin genelleme kabiliyetini artırmak ve aşırı öğrenme riskini azaltmak amacıyla ImageNet üzerinde ön eğitimli ağlar ile transfer öğrenme uygulanmış, 'Mixup ve Cutout' gibi ileri seviye veri artırma stratejileri entegre edilmiştir. Deneysel sonuçlar, ön eğitim ve veri artırma stratejileriyle desteklenen ConvNeXt-Tiny mimarisinin diğer modellere kıyasla daha yüksek performans sergilediğini göstermektedir. Bu model, Doğruluk Oranı %98.76, F1-Score %99, ROC-AUC %99.95, Precision %99 ve Recall %99 değerleriyle en iyi sonuçları göstermiştir. Çalışmada yalnızca sayısal performans metrikleri değil, aynı zamanda model kararlarının şeffaflığı da ele alınmıştır. Bu çalışmada açıklanabilir yapay zekâ (XAI) kapsamında, literatürde yaygın biçimde kullanılan Grad-CAM yöntemiyle birlikte, tarım alanında ilk uygulamalardan biri olarak değerlendirilen RISE yöntemi karşılaştırmalı olarak incelenmiştir. RISE, meyve yüzeyinde karar sürecine etki eden bölgeleri daha bütüncül biçimde ortaya koymuş ve modelin yorumlanabilirliğini güçlendirmiştir. Elde edilen sonuçlar, portakal görüntüleri üzerinden değerlendirilen turunçgil hastalıklarının erken teşhisinde modern derin öğrenme modellerinin yüksek potansiyel sunduğunu göstermektedir. Ayrıca XAI yöntemlerinin entegrasyonu, dijital tarımsal karar destek sistemlerinin güvenilirliğini ve şeffaflığını önemli ölçüde güçlendirebilecek bir katkı sunmaktadır.