Bitki Hastalıklarını Tespit Eden Görüntü İşleme Sistemli Mobil Uygulama

Bitkilerde hastalıkların erken teşhisi, tarımsal verimliliğin artırılması ve ürün kayıplarının önlenmesi açısından büyük öneme sahiptir. Bu çalışmada, tarımsal üretimde önemli kayıplara yol açan bitki yaprak hastalıklarının erken teşhisine yönelik bir yapay zekâ destekli mobil sistem geliştirilmiştir. Derin öğrenme temelli model, PlantVillage [1] veri seti kullanılarak ResNet50 mimarisi üzerinden transfer öğrenme ve fine-tuning teknikleriyle eğitilmiştir. Eğitim süreci boyunca veri artırma, normalize etme ve katman dondurma gibi yöntemlerle modelin öğrenme başarımı optimize edilmiştir. Eğitimin ilk aşamasında yalnızca sınıflandırma katmanları eğitilmiş, ardından ResNet50'nin son katmanları açılarak ince ayar uygulanmıştır. Elde edilen sonuçlar doğrultusunda, modelin doğruluğu %97 seviyesine ulaşmıştır ve modelin genelleme kabiliyetinin yüksek olduğu görülmüştür. Model, FastAPI altyapısıyla mobil uygulamaya entegre edilmiş ve Flutter kullanılarak kullanıcı dostu bir arayüz geliştirilmiştir. Uygulama, kullanıcıların kamera veya galeri aracılığıyla yüklediği yaprak görsellerini analiz ederek hastalık teşhisi yapmakta, teşhis edilen hastalıklara göre öneriler sunmakta ve önceki sonuçları kayıt altına alarak kullanıcıya geri bildirim sağlamaktadır. Geliştirilen bu sistem, bitki hastalıklarının sahada hızlı ve doğru şekilde tespit edilmesine olanak tanıyarak, hem tarımsal sürdürülebilirliğe katkı sağlamayı hem de çiftçilerin karar destek süreçlerini kolaylaştırmayı hedeflemektedir.

Early diagnosis of plant diseases is of great importance for improving agricultural productivity and preventing crop losses. In this study, an AI-powered mobile system was developed for the early detection of leaf diseases in plants, which cause significant losses in agricultural production. The deep learning-based model was trained using the PlantVillage [1] dataset through the ResNet50 architecture with transfer learning and fine-tuning techniques. During the training process, methods such as data augmentation, normalization, and layer freezing were applied to optimize model performance. In the initial phase, only the classification layers were trained; then, the final layers of ResNet50 were unfrozen for fine-tuning. Based on the results obtained, the model achieved an accuracy rate of 97%, demonstrating strong generalization capability. The model was integrated into a mobile application using the FastAPI framework, and a user-friendly interface was developed with Flutter. The application analyzes leaf images uploaded via camera or gallery, diagnoses plant diseases, provides recommendations based on the diagnosis, and stores previous results to offer feedback to users. This system aims to contribute to agricultural sustainability and facilitate farmers' decision-making processes by enabling fast and accurate on-field detection of plant diseases.