1 June 2023 in Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Çeltik, temel bir gıda kaynağıdır ve endüstride sıkça kullanılan nadir bitkilerden biridir. Çeltik yaprak hastalıklarının erken teşhisi, ekin hasarını en aza indirmek için büyük önem taşımaktadır. Son yıllarda, derin öğrenme tabanlı bilgisayar destekli sistemler, ziraat sektöründe oldukça önem kazanmış ve çeşitli uygulamalarda etkin rol almıştır. Bu sistemler, hastalıkların erken teşhis edilmesine yardımcı olmakla kalmayıp, aynı zamanda tarım alanında çalışanlara da ikincil bir yardımcı olarak katkı sağlamaktadır. Bu çalışma, çeltik yapraklarında bulunan hastalıkların erken teşhisinde derin öğrenme yöntemlerinin etkinliğini araştırmayı amaçlamaktadır. Bu amaç doğrultusunda, VGG, ResNet, DenseNet, EfficientNet, Inception ve Xception gibi en popüler evrişimsel sinir ağları (CNN), halka açık Paddy Doctor veri seti üzerinde değerlendirilmiştir. Her bir modele, veri ön işleme, veri artırma, hiper-parametre optimizasyonu ve öğrenme aktarımı gibi güncel teknikler uygulanarak test setindeki teşhis doğruluğunun başarımı arttırılmıştır. Ayrıca her bir mimarideki modellerin birbirine ve diğer mimarilerdeki modellere göre çeltik yapraklarındaki hastalıkların teşhisindeki başarımları detaylı bir şekilde karşılaştırılmıştır. Deneysel sonuçlar, EfficientNetv2_Small modelinin %98.01 test doğruluğu ve %97.99 F1-skor değerleriyle tüm modellerden daha iyi performans sergilediğini ve literatürdeki diğer çalışmaları geride bıraktığını göstermiştir. Bu çalışma, CNN mimarilerinin yüksek bir performans gösterdiğini ve bu tür hastalıkların erken teşhisinde ziraat mühendislerine ve çiftçilere etkili bir şekilde yardımcı olabileceğini göstermektedir
18 January 2026 in Journal of Soft Computing and Decision Analytics
Rapid, accurate detection of acute ischemic stroke (AIS) is vital for patient outcomes. This study evaluates YOLOv10 variants using Diffusion-Weighted Imaging (DWI) data from the ISLES 2022 dataset to identify a model that optimally balances diagnostic accuracy, speed, and computational efficiency for clinical deployment. Methods: YOLOv10 variants were trained on 1652 preprocessed DWI images using transfer learning and data augmentation. Performance was assessed using precision, recall, mAP50, and inference time to evaluate each model comprehensively. Results: The YOLOv10l variant achieved the best performance with 0.933 precision, 0.783 recall, and 0.887 mAP50. YOLOv10n was fastest (0.8 ms) but less accurate, highlighting a trade-off between speed and precision. A key challenge across models was the reliable detection of smaller, less distinct stroke lesions. These findings underscore the importance of balancing accuracy and efficiency. YOLOv10l is optimal for high-precision hospital diagnostics, whereas YOLOv10n suits real-time, resource-limited settings. Future work must focus on improving the detection of small lesions to enhance clinical utility and ensure comprehensive diagnostic support. YOLOv10 is a powerful tool for automated stroke detection, with the YOLOv10l model providing a balanced solution for clinical use. Integrating such models can significantly enhance diagnostic workflows, aid clinical decisions, and ultimately improve patient outcomes in stroke care.