Makine ve derin öğrenme yöntemleri ile sebze tohumu çimlenme kapasitesi tahmini
Vegetable seed germination capacity prediction by machine and deep learning methods
- Tez No: 1018142
- Danışmanlar: PROF. DR. RECEP ERYİĞİT
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kaliteli tohum kullanımı verimli bir hasadın ilk adımı olup, tohum seçimi tarımsal üretimde kritik öneme sahiptir. Ancak tohum ayıklama, sınıflandırma ve çimlenme kapasitesi yüksek kaliteli tohumun seçimi uzmanlık gerektiren, emek yoğun ve maliyetli bir süreçtir. Bu çalışmayla, literatürde nadiren ele alınan bamya, patlıcan ve dünyada en çok üretimi yapılan tarım ürünlerinden birisi olan domates tohum görüntülerinden tohumların sınıflandırılması, çimlenme kapasitesinin tahmin edilmesi ve fide kullanılabilirliğinin incelenmesi için derin öğrenme modellerinin oluşturulması amaçlanmıştır. Bu kapsamda tohumların üç farklı kaynaktan (dijital mikroskop, fotoğraf makinesi ve tarayıcı) toplamda 3645 adet RGB görüntüleri elde edilmiş ve tohumların morfolojik özellikleri görüntülerden otomatik olarak çıkarılarak tohum görüntüsü ve morfolojik özelliklerinin olduğu veri setleri oluşturulmuştur. Tohumların gerçek çevre koşullarında viyollere ekimi yapılmış, ekilen tohumların çimlenmesi gözlemlenmiş ve her bir tohumun çimlenme durumu etiketlenmiştir. Çimlenen tohumlardan oluşan fidelerin yaprak alanları ölçülerek yaprak alanı veri seti de oluşturulmuştur. Veri setleri kullanılarak tohumların hem RGB hem de HSV renk görüntülerini kullanarak sınıflandırma yapabilen bir model ile tohum RGB görüntüleri ve morfolojik özellikleriyle çimlenme kapasitesi tahmini yapabilen başka bir derin öğrenme modeli geliştirilmiştir. Modellerin performansını ölçmek için veri setleri %80 eğitim ve %20 test olarak ayrılmış; modeller 5-katlı çapraz doğrulamaya tabi tutulmuştur. Tohum sınıflandırma çalışmasında model hassasiyet, duyarlılık ve F1 skorlarında 1,0 değerine, çimlenme kapasitesi tahmininde ise eğitim setinde 0.95, test setinde 0.93 ağırlıklı F1-skoru elde edilmiştir. Önerilen modellerin performansları, görüntü işlemede yaygın olarak kullanılan ResNet50, EfficientNetB5 ve VGG19 mimarileriyle detaylı olarak karşılaştırılmıştır. Çalışmayla, akıllı tarım uygulamaları kapsamında emek yoğun ve maliyetli süreçleri otomatikleştirecek ve gömülü sistemlerde kullanılabilecek hızlı, hafif modeller önerilmiştir.
Özet (Çeviri)
The use of high-quality seeds is the first step toward increasing yield, making seed selection critically important in agricultural production. However, seed sorting, classification, and the selection of high-quality seeds with strong germination capacity constitute an expertise-dependent, labor-intensive, and costly process. This study aims to develop deep learning models for classifying seeds, predicting their germination capacity, and examining seedling viability based on seed images of okra, eggplant, rarely addressed in the literature, and tomato, one of the most widely produced agricultural crops worldwide. To this end, a total of 3645 RGB seed images were acquired from three different sources (digital microscope, camera, and scanner), and the morphological features of the seeds were automatically extracted from these images to construct datasets comprising both seed images and morphological features. The seeds were sown in trays under real environmental conditions, their germination was monitored, and each seed and its germination status were labeled. The leaf areas of the seedlings of germinated seeds were measured leaf-area datasets were created. A deep learning model capable of classifying seeds using both RGB and HSV color images from datasets has been developed, along with another model capable of predicting germination capacity based on seed RGB images and morphological traits. To evaluate model performance, the datasets were divided into 80% training and 20% testing subsets, and the models were subjected to 5-fold cross-validation. In the seed classification task, the model achieved values of 1.0 in precision, recall, and F1-score, and for germination capacity prediction, weighted F1-scores of 0.95 and 0.93 were obtained on the training and testing sets, respectively. The performances of the proposed models were compared in detail with widely used image-processing architectures, namely ResNet50, EfficientNetB5, and VGG19. With this study, it is proposed that fast, lightweight models that can automate labor-intensive and costly processes within the scope of smart farming applications and can be used in embedded systems.
Benzer Tezler
- Domateste yaygın görülen hastalıkların derin öğrenme yöntemi ile sınıflandırılması
Classification of common diseases in tomatoes using deep learning methods
ADNAN MOHAMMAD ANWER SHAKARJI
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADEM GÖLCÜK
- Ceviz çeşitlerinin derin öğrenme algoritmalarıyla sınıflandırılması
Classification of walnut varieties with deep learning algorithms
HALİL KILIF
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLKAY ÇINAR
PROF. DR. NURETTİN DOĞAN
- Derin öğrenme yöntemleri kullanarak meyve ve sebze sınıflandırması
Fruit and vegetable classification using deep learning methods
DEMET PARLAK SÖNMEZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKayseri ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞAFAK KILIÇ
- Derin öğrenme ve makine öğrenmesi ile ürün tedarik sürecinde kalite kontrol uygulaması
Quality control application in product supply process with deep learning and machine learning
MURAT YAZIRDAĞ
Doktora
Türkçe
2025
EkonometriAnkara Hacı Bayram Veli ÜniversitesiEkonometri Ana Bilim Dalı
PROF. DR. ŞENOL ALTAN
- Deep learning based fruit and vegetable recognition for android pos devices
Android pos cihazları için derin öğrenme tabanlı meyve ve sebze tanıma
EGE EKİCİ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ