Iot Tabanlı Derin Öğrenme Evrimisel Ağları Kullanarak Mısır Ürün Hastalıklarının Sınıflandırılmasına Yönelik Yeni Bir Yaklaşım

Abstract

Mahsul zararlıları ve hastalıkları, mahsul veriminin azalması ve üretkenliğin azalmasıyla ilişkilendirilmiştir. Sürdürülebilir tarım uygulamalarına geçme çabalarını ciddi şekilde engelledi. Mahsullerdeki zararlıları ve hastalıkları tespit etmek, derin öğrenme evrişimli sinir ağlarından (DLCN) ve IoT gömülü sistemlerden yararlanılarak gerçekleştirilebilir. Bu çalışmada, modeli barındırmak için kullanılan gömülü bir cihaz daha sonra TinyML kısıtlamalarına göre çalışacak şekilde tasarlanmıştır. Tasarım sürecinde TinyML ile birlikte 4 katmanlı IoT çerçevesi kullanıldı. Öncelikle her katmandaki hem donanım hem de yazılım gereksinimlerine ilişkin özellikler tanımlandı. Daha sonra gereksinimleri en iyi karşılayan bileşenler seçildi. Daha sonra IoT TinyML gömülü sistemiyle kullanılmak üzere bir DLCN modeli oluşturulur. MobileNet-V3 mimarisinden yararlanan bir transfer öğrenme yaklaşımı kullanıldı. Model, 3 sınıfta en az 18.000 görüntüden oluşan bir veri seti ile eğitildi: sağlıklı mısır mahsulü, Mısır Çizgi Virüsünden (MSV) etkilenen mahsul ve Sonbahar Ordu Solucanından (FAW) etkilenen mahsul. Modeli kategorik bir çapraz entropi kaybı fonksiyonu ve Uyarlanabilir Moment Tahmini (ADAM) optimize edici kullanarak eğitmek için elli dönem kullanıldı. Model, eğitim ve doğrulama bölümlerinde sırasıyla %85 ve %88 doğruluk elde etti. Daha sonra model test bölümünde test edildi ve %88'den az olmayan bir doğruluk elde edildi. Hassasiyet, geri çağırma ve F1 puanı gibi diğer ölçümler, elde edilen doğruluğu yansıtıyordu. Son olarak gömülü cihazın çalışması kavramsal bir model olarak tartışılmıştır.Crop pests and diseases have been associated with reduced crop yield and lower productivity. It has severely hindered efforts to move to sustainable farming practices. Detecting pests and diseases in crops can be achieved by leveraging deep learning convolutional neural networks (DLCN) and IoT embedded systems. In this study, an embedded device used for hosting the model was then designed to operate based on the constraints of TinyML. A 4-layer IoT framework was used in conjunction with TinyML in the design process. First, the specifications for both hardware and software requirements in each layer were defined. Then, the components that best satisfied the requirements were selected. A DLCN model is then built for use with an IoT TinyML embedded system. A transfer learning approach was used, capitalizing on the MobileNet-V3 architecture. The model was trained a dataset of not less than 18,000 images across 3 classes: healthy maize crop, Maize Streak Virus (MSV) affected crop, and Fall Army Worm (FAW) affected crop. Fifty epochs were used to train the model using a categorical cross entropy loss function and Adaptive Moment Estimation (ADAM) optimizer. The model achieved an accuracy of 85% and 88% on the training and validation splits respectively. Then, the model was tested on the test split, achieving an accuracy of not less than 88%. Other metrics such as precision, recall and F1-score reflected the accuracy achieved. Finally, the operation of the embedded device was discussed as a conceptual model.