İHA Destekli Tarımsal Görüntü İşleme Uygulamalarında Derin Öğrenme Tekniklerinin Karşılaştırmalı Analizi
Comparative Analysis Of Deep Learning Techniques In UAV-Supported Agricultural Image Processing Applications
- Tez No: 1023267
- Danışmanlar: DOÇ. DR. ÇAĞRI VAKKAS YILDIRIM, DR. ÖĞR. ÜYESİ AHMET KERİM AĞIRMAN
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Havacılık ve Uzay Mühendisliği, Science and Technology, Electrical and Electronics Engineering, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Havacılık Elektrik ve Elektroniği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Domates üretim alanlarında yabani otlar önemli verim kayıplarına ve hastalıklara neden olmaktadır. Çok sınıflı yabani otların gerçek tarla koşullarında otomatik tespitine yönelik çalışmalar sınırlı kalmaktadır. Bu çalışma, domates üretim alanlarında bulunan çok sınıflı yabani otların tespitine yönelik kapsamlı bir karşılaştırmalı YOLO analizi sunmaktadır. Çalışma kapsamında Türkiye'nin Balıkesir, Ankara, Aksaray illerinde doğal saha koşullarında toplanan 32.607 görüntü ve 44.165 etiket içeren geniş kapsamlı bir veri seti oluşturulmuştur. Veri seti, farklı görüntüleme platformları ile farklı ışık koşulları, gelişim dönemleri ve tarla ortamlarında elde edilen görüntülerden oluşturulmuştur. Bununla birlikte, derin öğrenme tabanlı nesne tespiti çalışmalarında sınırlı sayıda incelenen bazı yabani ot türlerini de içermektedir. Oluşturulan veri seti %70 eğitim, %20 doğrulama ve %10 test olmak üzere üç alt kümeye ayrılmıştır. Tüm modeller, aynı veri bölünmesi kullanılarak PyTorch ortamında eğitilmiş ve performansları karşılaştırmalı olarak analiz edilmiştir. Modellerin başarımları Precision, Recall, [email protected] ve mAP@[0.5:0.95] metrikleri üzerinden kapsamlı bir performans kıyaslamasına tabi tutulmuştur. Sonuçlar, YOLOv8l modelinin diğer mimarilere kıyasla daha yüksek doğruluk ve daha kararlı performans sergilediğini göstermiştir. Çalışmada değelendirilen modellerin, mobil cihazlara veya gömülü sistemlere entegre edilebileceği öngörülmektedir. Bu entegrasyon sayesinde insansız hava aracı tabanlı gerçek zamanlı yabani ot tespiti, hedefe yönelik noktasal pülverizasyon ve pestisit kullanımını asgari düzeye indirilebilecektir. Bu yönüyle çalışma, gerçek zamanlı yabani ot yönetimi uygulamalarına yönelik karar destek sistemlerinin geliştirilmesi açısından önemli bir potansiyel ortaya koymaktadır.
Özet (Çeviri)
daha sonra Weeds in tomato production areas cause significant yield losses and diseases. Studies on the automated detection of multi-class weeds under real-field conditions remain limited. This study presents a comprehensive comparative YOLO analysis for the detection of multi-class weeds in tomato production areas. A comprehensive dataset containing 32,607 images and 44,165 annotations collected under natural field conditions in the provinces of Balıkesir, Ankara, and Aksaray, Türkiye, was created. The dataset was created from images acquired using different imaging platforms and collected under varying lighting conditions, growth stages, and field environments. It also includes some weed species that have received limited attention in deep learning-based object detection studies. The dataset was divided into three subsets: 70% training, 20% validation, and 10% testing. All models were trained using the PyTorch framework with the same data split, and their performance was analyzed comparatively. Model performance was comprehensively evaluated using Precision, Recall, [email protected], and mAP@[0.5:0.95] metrics. The results showed that the YOLOv8l model exhibited higher accuracy and more stable performance compared to the other architectures. The findings suggest that the evaluated models have the potential to be integrated into mobile devices or embedded systems. Such integration could facilitate unmanned aerial vehicle based real-time weed detection, targeted spot spraying, and reduced pesticide use. In this respect, the study reveals significant potential for the development of decision support systems for real-time weed management applications.doldurulacaktır
Benzer Tezler
- Faydalı yükün iha uçuş süresine etkisinin incelenmesi
The effect of payload on uav flight endurance
FATİH BOZ
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiErciyes ÜniversitesiSivil Havacılık Ana Bilim Dalı
DOÇ. DR. MEHMET KONAR
- 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
2024
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Bazı tarla bitkilerinde yabancı ot tespitinde insansız hava aracı tabanlı ortofoto kullanımı
Detecti̇on of weed by using orthophoto based uav i̇n some field crops
MEHMET HALİT AKKUŞ
Yüksek Lisans
Türkçe
2026
ZiraatDicle ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. SEMA BAŞBAĞ
DOÇ. DR. NİZAR POLAT
- A lightweight and efficient yolo-based framework for uav-assisted pistachio disease detection
Fıstık hastalığı tespiti için iha destekli hafif ve verimli yolo tabanlı bir çerçeve
BÜNYAMİN DİKİCİ
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERKAN ÖZBAY
DOÇ. DR. HAKAN AÇIKGÖZ
- The Conceptual design of a tilt-duct VTOL UAV
Açı verilebilir kanal-içi-pervane/motor sistemli bir insansız hava aracının (İHA) kavramsal tasarımı
ÖZLEM ARMUTCUOĞLU
Yüksek Lisans
İngilizce
2000
Havacılık ve Uzay MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET Ş. KAVSAOĞLU