Enhanced Lemon Leaf Disease Diagnosis via Gray Wolf Optimization and Machine Learning Techniques

Özet

Limon yaprağı hastalıklarının doğru biçimde sınıflandırılması, verimlilik ve doğruluk beklentileri nedeniyle gerçek dünyadaki tarımsal uygulamalarda büyük önem taşımaktadır. Bu çalışmada, derin öznitelik çıkarımı ile optimizasyon tabanlı seçim mekanizmalarını birleştiren pratik bir teşhis çerçevesi sunulmuştur. Tasarlanan sistemde, dokuz farklı sınıftan oluşan bir limon yaprağı hastalığı veri kümesindeki görüntülerden DenseNet121 mimarisi vasıtasıyla 1.024 derin öznitelik elde edilmiştir. Çıkarılan bu nitelikler, Gray Wolf Optimization (GWO) yöntemiyle süzülerek boyut küçültülmüş ve öznitelik sayısı %60,45 oranındaki bir azalmayla 405'e düşürülmüştür. Seçilen nitelik kümesinin başarısını test etmek amacıyla hem ham hem de optimize edilmiş veriler üzerinde Random Forest ve Support Vector Machine (SVM) sınıflandırıcıları uygulanmıştır. Random Forest algoritması orijinal özniteliklerle %96,97 doğruluk verirken, GWO uygulandıktan sonra %97,64 doğruluğa ulaşmıştır. SVM modeli ise ham verilerle %98,30 oranında en yüksek doğruluğu yakalamış ve optimizasyon sonrasında da rekabetçi yapısını korumuştur. Önerilen hibrit sistem, ayırt edici bilgileri muhafaza edip bilgi fazlalığını ortadan kaldırarak hesaplama maliyetini düşürmüştür.

Bu özet, makalenin özgün İngilizce abstract'ından yapay zekâ ile otomatik oluşturulmuştur. Özgün metin için makaleye bakınız.