Advanced Leaf Disease Detection: Integrating YOLOv9 with Transfer Learning for Precision Agriculture

Osama Burak Elhalid; Edin Dolićanin; Ali Hakan Isık

Makale detayları

Advanced Leaf Disease Detection: Integrating YOLOv9 with Transfer Learning for Precision Agriculture

Yazarlar:

Osama Burak Elhalid | Edin Dolićanin | Ali Hakan Isık

Yayıncı:

Burdur Mehmet Akif Ersoy University

Ana Başlıklar:

Bilgi Modelleme | Yönetim ve Ontolojiler | Karar Desteği ve Grup Destek Sistemleri | Bilgi Sistemleri (Diğer)

Dergi:

Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi Vol.9 Issue 1, pp.12-31

Belge Tipi:

Makale

Yayın Tarihi:

4/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001344276

pISSN:

2602-425X

Anahtar kelimeler:

Özet:

 Leaf diseases pose a significant challenge to agriculture, threatening crop health and yield. Effective detection and management of these diseases are critical for sustainable farming. This study introduces a novel method for detecting leaf diseases in agricultural images by leveraging the YOLOv9 model and transfer learning. By integrating YOLOv9 with various deep-learning libraries, our approach achieves a classification accuracy of 98. Building on this success, we developed a mobile application that provides real-time disease detection using the trained model. A key strength of this method lies in the curated dataset, annotated with disease labels and bounding boxes. This dataset encompasses diverse crops and environmental conditions, ensuring the robustness and versatility of the model. Extensive experiments demonstrate that our approach outperforms conventional methods in both accuracy and efficiency. The resulting mobile application offers farmers and agricultural stakeholders a user-friendly tool for proactive disease management. It enables real-time identification of leaf diseases via a live camera feed, facilitating timely interventions and crop protection. By combining high accuracy with real- time detection, this method can significantly enhance crop productivity and contribute to sustainable agricultural practices.

 Leaf diseases pose a significant challenge to agriculture, threatening crop health and yield. Effective detection and management of these diseases are critical for sustainable farming. This study introduces a novel method for detecting leaf diseases in agricultural images by leveraging the YOLOv9 model and transfer learning. By integrating YOLOv9 with various deep-learning libraries, our approach achieves a classification accuracy of 98. Building on this success, we developed a mobile application that provides real-time disease detection using the trained model. A key strength of this method lies in the curated dataset, annotated with disease labels and bounding boxes. This dataset encompasses diverse crops and environmental conditions, ensuring the robustness and versatility of the model. Extensive experiments demonstrate that our approach outperforms conventional methods in both accuracy and efficiency. The resulting mobile application offers farmers and agricultural stakeholders a user-friendly tool for proactive disease management. It enables real-time identification of leaf diseases via a live camera feed, facilitating timely interventions and crop protection. By combining high accuracy with real- time detection, this method can significantly enhance crop productivity and contribute to sustainable agricultural practices.

 Leaf diseases pose a significant challenge to agriculture, threatening crop health and yield. Effective detection and management of these diseases are critical for sustainable farming. This study introduces a novel method for detecting leaf diseases in agricultural images by leveraging the YOLOv9 model and transfer learning. By integrating YOLOv9 with various deep-learning libraries, our approach achieves a classification accuracy of 98. Building on this success, we developed a mobile application that provides real-time disease detection using the trained model. A key strength of this method lies in the curated dataset, annotated with disease labels and bounding boxes. This dataset encompasses diverse crops and environmental conditions, ensuring the robustness and versatility of the model. Extensive experiments demonstrate that our approach outperforms conventional methods in both accuracy and efficiency. The resulting mobile application offers farmers and agricultural stakeholders a user-friendly tool for proactive disease management. It enables real-time identification of leaf diseases via a live camera feed, facilitating timely interventions and crop protection. By combining high accuracy with real- time detection, this method can significantly enhance crop productivity and contribute to sustainable agricultural practices.

 Yaprak hastalıkları, ürün sağlığını ve verimini tehdit ederek tarım için önemli bir zorluk oluşturmaktadır. Bu hastalıkların etkili bir şekilde tespiti ve yönetimi, sürdürülebilir tarım için kritik öneme sahiptir. Bu çalışma, YOLOv9 modelini ve transfer öğrenimini kullanarak tarımsal görüntülerde yaprak hastalıklarını tespit etmek için yeni bir yöntem sunmaktadır. YOLOv9u çeşitli derin öğrenme kütüphaneleriyle entegre ederek, yaklaşımımız 98lik bir sınıflandırma doğruluğuna ulaşmaktadır. Bu başarının üzerine inşa ederek, eğitilmiş modeli kullanarak gerçek zamanlı hastalık tespiti sağlayan bir mobil uygulama geliştirdik. Bu yöntemin temel gücü, hastalık etiketleri ve sınırlayıcı kutularla açıklanan düzenlenmiş veri setinde yatmaktadır. Bu veri seti, modelin sağlamlığını ve çok yönlülüğünü garanti ederek çeşitli ürünleri ve çevre koşullarını kapsamaktadır. Kapsamlı deneyler, yaklaşımımızın hem doğruluk hem de verimlilik açısından geleneksel yöntemlerden daha iyi performans gösterdiğini göstermektedir. Ortaya çıkan mobil uygulama, çiftçilere ve tarımsal paydaşlara proaktif hastalık yönetimi için kullanıcı dostu bir araç sunmaktadır. Canlı kamera yayını aracılığıyla yaprak hastalıklarının gerçek zamanlı olarak tanımlanmasını sağlayarak zamanında müdahaleleri ve ürün korumasını kolaylaştırır. Yüksek doğruluğu gerçek zamanlı tespitle birleştirerek, bu yöntem mahsul verimliliğini önemli ölçüde artırabilir ve sürdürülebilir tarım uygulamalarına katkıda bulunabilir.

Makale detayları

Advanced Leaf Disease Detection: Integrating YOLOv9 with Transfer Learning for Precision Agriculture

Yazarlar:

Osama Burak Elhalid | Edin Dolićanin | Ali Hakan Isık

Yayıncı:

Burdur Mehmet Akif Ersoy University

Ana Başlıklar:

Bilgi Modelleme | Yönetim ve Ontolojiler | Karar Desteği ve Grup Destek Sistemleri | Bilgi Sistemleri (Diğer)

Dergi:

Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi Vol.9 Issue 1, pp.12-31

Belge Tipi:

Makale

Yayın Tarihi:

4/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001344276

pISSN:

2602-425X

Leaf Disease Classification

YOLOv9

Transfer LearningYaprak Hastalıkları Sınıflandırması

YOLOv9

Transfer Öğrenme

Sayı

Makale detayları

Advanced Leaf Disease Detection: Integrating YOLOv9 with Transfer Learning for Precision Agriculture

Yazarlar: Osama Burak Elhalid | Edin Dolićanin | Ali Hakan Isık

Yayıncı: Burdur Mehmet Akif Ersoy University

Ana Başlıklar: Bilgi Modelleme | Yönetim ve Ontolojiler | Karar Desteği ve Grup Destek Sistemleri | Bilgi Sistemleri (Diğer)

Dergi: Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi Vol.9 Issue 1, pp.12-31

Belge Tipi: Makale

Yayın Tarihi: 4/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001344276

pISSN: 2602-425X

Leaf Disease Classification

YOLOv9

Transfer LearningYaprak Hastalıkları Sınıflandırması

YOLOv9

Transfer Öğrenme

Sayı

Yazarlar:

Osama Burak Elhalid | Edin Dolićanin | Ali Hakan Isık

Yayıncı:

Burdur Mehmet Akif Ersoy University

Ana Başlıklar:

Bilgi Modelleme | Yönetim ve Ontolojiler | Karar Desteği ve Grup Destek Sistemleri | Bilgi Sistemleri (Diğer)

Dergi:

Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi Vol.9 Issue 1, pp.12-31

Belge Tipi:

Makale

Yayın Tarihi:

4/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001344276

pISSN:

2602-425X