Geri Dön

İnsansız hava aracı görüntüleri üzerinden derin öğrenme tabanlı yabani ot tespiti ve sınıflandırılması

Deep learning based weed detection and classification via unmanned aerial vehicle imagery

PDF İndir

  1. Tez No: 1008438
  2. Yazar: FATİH ÇELİK
  3. Danışmanlar: PROF. DR. FUSUN BALIK ŞANLI, PROF. DR. YUSUF KURUCU
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması, ayçiçeği üretiminde verim kaybını önlemek amacıyla erken dönem yabani ot tespitine yönelik Görüntü Dönüştürücü tabanlı derin öğrenme modellerinin geliştirilmesini ve İnsansız Hava Araçları platformlarındaki pratik uygulanabilirliğini kapsamlı biçimde ele almaktadır. Bu doğrultuda İHA'dan elde edilen yüksek çözünürlüklü KYM ve multispektral ortofoto görüntüleri kullanılarak dört farklı derin öğrenme mimarisi karşılaştırmalı olarak değerlendirilmiştir. İki farklı test alanında ayçiçeği bitkilerinin kritik gelişim evresi olan 3-4 yapraklı fenolojik aşamada gerçekleştirilmiş ve sahaya özgü üç sınıflı veri setleri oluşturulmuştur. Görüntüler, 50×50 piksellik yama bazlı bir sınıflandırma yaklaşımıyla işlenmiş; bu boyutun hem lokal detayları hem bağlamsal bilgiyi dengeli biçimde kapsadığı ve saha uygulama sistemlerinin hassasiyetiyle uyumlu olduğu gösterilmiştir. Modellerin eğitiminde öğrenme aktarımı tercih edilmiş hiperparametre optimizasyonu gerçekleştirilmiştir. ViT mimarisinin geleneksel konvolüsyonel sinir ağlarına kıyasla belirgin bir üstünlük sergilediğini ortaya koymuştur. ViT, KYM bantlarında %99.18, multispektral bantlarda ise %99.48 test doğruluğuna ulaşırken yabani ot tespitinde %99-100 kesinlik değeri elde etmiştir. Hesaplama verimliliğini artırmak amacıyla uygulanan budama işlemi sonucunda geliştirilen ViT Pruned modeli, %50 boyut küçülmesi ve %87 hız artışı sağlarken doğrulukta yalnızca %0.73'lük bir kayıpla optimal bir doğruluk verimlilik dengesi sunmuştur. MobileNetV2 en yüksek işleme hızına ulaşmış olmakla birlikte multispektral verilerde performans kaybı yaşamıştır. NASNetMobile ise %95.83-96.08 doğrulukla dört mimari arasında en düşük başarıyı göstermiştir. Tez kapsamında öne çıkan bir diğer bulgu multispektral bantların sınıflandırma doğruluğuna katkısının beklenenin oldukça altında kalmasıdır. ViT'te yalnızca %0.30 puanlık iyileşme sağlayan multispektral veriler konvolüsyonel modellerde ise olumsuz etki göstererek doğruluğu düşürmüştür. Bu sonuçlar KYM bantlarının ayçiçeği, yabani ot ve boş alan sınıflandırması için tek başına yeterli olduğunu ve maliyeti yaklaşık 10 kat daha yüksek olan multispektral sensörlerin maliyet fayda dengesinin ciddi biçimde sorgulanması gerektiğini ortaya koymaktadır. Sahaya özgü yabani ot yönetimi boyutunda ise her iki test alanında %40-46 arasında yüksek yabani ot yoğunluğu saptanmış ve ancak görüntüleme yapılan fenolojik aşamada ayçiçeği bitkileri henüz ciddi bir rekabet baskısıyla karşılaşmamıştır. Bu kritik pencerede gerçekleştirilen erken müdahale ilerleyen dönemde oluşabilecek %20-40'lık verim kayıplarının önüne geçmiş ve %54-60 oranında herbisit tasarrufu sağlamıştır. Sonuç olarak bu tez sahaya özgü yabani ot kontrolünün teorik bir konseptin ötesinde, somut ve ölçülebilir ekonomik aynı zamanda çevresel faydalar sunan pratik bir çözüm olduğunu kanıtlamıştır. Geliştirilen modeller arasından ViT çevrimdışı reçete haritalama için, ViT Pruned ise gerçek zamanlı saha uygulamaları için önerilmektedir. Elde edilen %99.18-99.48 doğruluk ve %54-60 herbisit tasarrufu değerleri hassas tarım teknolojilerinin sürdürülebilir ayçiçeği üretimindeki stratejik önemini ve bu çalışmanın bilimsel literatüre sunduğu özgün katkıyı doğrulamaktadır.

Özet (Çeviri)

This thesis comprehensively addresses the development of Vision Transformer based deep learning models for early-stage weed detection and their practical applicability on Unmanned Aerial Vehicle platforms to prevent yield loss in sunflower production. In this regard four different deep learning architectures were comparatively evaluated using high-resolution RGB and multispectral orthophoto imagery obtained from UAVs. The research was conducted in two different test areas during the 3-4 leaf phenological stage which is a critical developmental phase for sunflower plants and field specific three class datasets were generated. The images were processed using a 50×50 pixel patch based classification approach; it was demonstrated that this patch size balanced local details and contextual information effectively while aligning with the precision requirements of field application systems. Transfer learning was employed for model training followed by hyperparameter optimization. The results revealed that the ViT architecture exhibits a significant superiority over traditional Convolutional Neural Networks. While ViT achieved a test accuracy of 99.18% in RGB bands and 99.48% in multispectral bands it attained a precision value of 99-100% in weed detection. The“ViT Pruned”model developed through a structured pruning process to enhance computational efficiency provided an optimal accuracy efficiency balance achieving a 50% reduction in model size and an 87% increase in processing speed with only a marginal 0.73% loss in accuracy. Although MobileNetV2 reached the highest processing speed it suffered performance degradation when using multispectral data. NASNetMobile showed the lowest performance among the four architectures with an accuracy range of 95.83-96.08%. Another prominent finding of the thesis is that the contribution of multispectral bands to classification accuracy remained significantly below expectations. Multispectral data provided only a 0.30 percentage point improvement in the ViT model while it adversely affected the accuracy of convolutional models. These results indicate that RGB bands alone are sufficient for the classification of sunflower, weed and bare soil suggesting a critical reevaluation of the cost benefit ratio for multispectral sensors which are approximately ten times more expensive. In the context of site-specific weed management high weed densities between 40-46% were detected in both test areas. However at the captured phenological stage the sunflower plants had not yet encountered severe competitive pressure. Early intervention conducted within this critical window prevented potential yield losses of 20-40% in later stages and resulted in herbicide savings of 54-60%. Consequently, this thesis proves that site-specific weed control is not merely a theoretical concept but a practical solution offering tangible and measurable economic and environmental benefits. Among the developed models ViT is recommended for offline prescription mapping while ViT Pruned is suggested for real-time field applications. The achieved accuracy of 99.18-99.48% and herbicide savings of 54-60% validate the strategic importance of precision agriculture technologies in sustainable sunflower production and confirm the original contribution of this study to the scientific literature.

Benzer Tezler

  1. Tez No

    881252

    Afet bölgeleri için iha kullanarak derin öğrenme tabanlı yol optimizasyonu

    Deep learning based road optimization using uav for disaster regions

    MEHMET SERHAT CEYLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER

  2. Tez No

    726199

    Developing a real-time human and vehicle detection system for monochrome wide area surveillance images

    Tek renkli geniş alan gözetleme görüntüleri için gerçek zamanlı insan ve araç tespit sistemi geliştirilmesi

    MUSTAFA ÖZTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiAnkara Yıldırım Beyazıt Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ENVER ÇAVUŞ

  3. Tez No

    917998

    Enhancing UCAV operations with AI-driven point cloud semantic segmentation for precision gimbal targeting in defense industry

    Savunma sanayiinde hassas gimbal hedefleme için yapay zeka tabanlı nokta bulutu semantik segmentasyon yaklaşımlarıyla S/İHA operasyonlarının iyileştirilmesi

    SALİH BOZKURT

    Doktora

    İngilizce

    İngilizce

    2024

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZAİDE DURAN

  4. Tez No

    672615

    Güneş panellerinin dört rotorlu iha kullanılarak termografi yöntemiyle derin öğrenme tabanlı hata tespit ve teşhisi

    Deep learning based fault detection and diagnosis of solar panels using four rotor uav with termography method

    BARIŞ KAYCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mekatronik MühendisliğiKarabük Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BATIKAN ERDEM DEMİR

  5. Tez No

    682066

    Nesneye yönelik kural tabanlı sınıflandırma ve derin öğrenme yöntemleri ile otomatik yol çıkarımı olanaklarının araştırılması

    Investigation of automatic road extraction possibilities with object oriented rule-based classification and deep learning methods

    ZEYNEP BAYRAMOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK

Geri Dön