Development of an Agricultural Land Analysis Software Using UAV RGB and Multispectral Imaging and Deep Learning Techniques For Northern Leaf Blight Detection in Corn Plants
Mısır Bitkilerinde Kuzey Yaprak Yanıklığı Tespiti İçin İHA RGB ve Multispektral Görüntüleme İle Derin Öğrenme Tekniklerini Kullanan Tarım Arazisi Analiz Yazılımının Geliştirilmesi
- Tez No: 1023987
- Danışmanlar: DOÇ. DR. RAHİM JAFARI, DR. ÖĞR. ÜYESİ MASOUD LATIFINAVID
- Tez Türü: Yüksek Lisans
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Türk Hava Kurumu Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine ve Uçak Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mısır hastalıkları, tarımsal üretim için büyük bir tehlike oluşturarak hem ürün kalitesini hem de verimi düşürmektedir. Hastalıkların erken ve doğru teşhisi, etkili hastalık yönetimi ve ekonomik kayıpların en aza indirilmesi için son derece önemlidir. Yapay zeka ve bilgisayar görüntüsündekison gelişmeler, tarla görüntülerinden bitki enfeksiyonlarını tanımlayabilen otomatik sistemlerin geliştirilmesini sağlamıştır. Bu çalışma, mısır bitkilerinde Kuzey Yaprak Yanıklığı (NLB) hastalığını tespit etmek ve hhedefe yönelik tedavi için uygun püskürtme oranını tahmin etmek amacıyla İHA tabanlı RGB ve çok spektrumlu (MS) görüntüleme, derin öğrenme teknikleri ve karar destek araçlarını kullanan entegre bir hassas hastalık yönetimi çerçevesi önermektedir. RGB ve MS görüntüleri, bir İHA kullanılarak mısır tarlalarından toplanmış ve model geliştirme için RGB veri seti, MS veri seti ve birleştirilmiş RGB-MS veri setini içeren üç veri seti hazırlanmıştır. Hazırlanan veri setleri kullanılarak iki nesne algılama mimarisi, YOLOv8 ve Faster R-CNN, eğitilmiş ve değerlendirilmiştir. Geliştirilen modellerin performansı, hassasiyet, hatırlatma, F1-skoru ve farklı kesişim eşiklerinde ortalama hassasiyet dahil olmak üzere standart nesne algılama metrikleri kullanılarak değerlendirilmiştir. Görüntü yöntemi ve tespit mimarilerinin enfeksiyon tespit performansı üzerindeki etkisini araştırmak için karşılaştırmalı analizler yapılmıştır. Ayrıca, bu kriterin tespit sonuçları üzerindeki etkinliğini göstermek için güven analizi uygulanmıştır. Çalışmada, küçük, orta ve büyük enfeksiyonları içeren farklı enfeksiyon boyutlarında COCO değerlendirme metrikleri de kullanılmıştır. Pratik uygulamayı kolaylaştırmak için, eğitilmiş bir model, saha görüntülerini işleyebilen, enfeksiyon tespit sonuçlarını görselleştirebilen, görüntü meta verilerinden GPS koordinatlarını çıkarabilen ve birden fazla stratejiye dayalı olarak püskürtme oranlarını tahmin edebilen bir grafik kullanıcı arayüzüne (GUI) entegre edilmiştir. Önerilen sistem, hedefli tedavi uygulamasını destekleyerek ve gereksiz kimyasal kullanımını azaltarak, sahaya özgü enfeksiyon yönetimini mümkün kılar. Önerilen çerçeve, gerçek tarla koşullarında etkili tespit performansı göstermiştir. Karşılaştırmalı değerlendirme, RGB, MS ve birleştirilmiş veri kümelerinin her birinin farklı güçlü yönler sergilediğini göstermiştir. Deneysel sonuçlar, mısır enfeksiyonu tanımlaması için derin öğrenmeye dayalı nesne tespitinin etkinliğini göstermekte ve enfeksiyon tespiti, koordinat lokalizasyonu ve püskürtme oranı tahmininin birleşik bir karar destek çerçevesi içinde entegre edilmesinin potansiyelini vurgulamaktadır. Önerilen sistem, enfeksiyon izleme, tedavi planlaması ve sürdürülebilir ürün yönetimi için etkili bir araç sağlayarak hassas tarıma katkıda bulunmaktadır. Araştırma, önerilen çerçevenin birçok eksikliğini ortaya koymaktadır; bunlar arasında enfeksiyonların manuel olarak etiketlenmesi ve önerilen grafik kullanıcı arayüzünün yeni gerçek alan görüntüleriyle kullanılmasıyla ilgili zorluklar yer almaktadır ve gelecekteki iyileştirmeler için fırsatlar vurgulanmaktadır.
Özet (Çeviri)
Corn diseases are a major danger to agricultural production, decreasing both quality and yield of crops. Early and precise disease identification is highly important for effective disease management and minimizing economic losses. Recent advances in artificial intelligence and computer vision have enabled the development of automated systems capable of identifying plant infections from field images. This study proposes an integrated framework for precision disease management using UAV-based RGB and multispectral (MS) imaging, deep learning techniques, and decision-support tools to detect Northern Leaf Blight (NLB) in the corn plants and estimate the appropriate spraying rate for targeted treatment. RGB and MS images were collected from the cornfields using a UAV and used to prepare three datasets for model development, including the RGB dataset, the MS dataset, and the combined RGB-MS dataset. Two object detection architectures, YOLOv8 and Faster R-CNN, were trained and evaluated using the prepared datasets. The performance of the developed models was assessed using standard object detection metrics, including precision, recall, F1-score, and mean average precision at different thresholds of intersection over union. The comparative analyses were conducted to investigate the influence of image modality and detection architectures on infection detection performance. Furthermore, confidence analysis was applied to demonstrate the effectiveness of this criterion on detection results. The COCO evaluation metrics were also employed across different infection sizes in the study, including small, medium, and large infections. To facilitate practical deployment, a trained model was integrated into a graphical user interface (GUI) capable of processing field images, visualizing infection detection results, extracting GPS coordinates from image metadata, and estimating spraying rates based on multiple strategies. The proposed system enables site specific infection management by supporting targeted treatment application and reducing unnecessary chemical usage. The proposed framework demonstrated effective detection performance under real field conditions. Comparative evaluation showed that the RGB, MS, and combined datasets each exhibited distinct strengths. The experimental results demonstrate the effectiveness of deep learning-based object detection for corn infection identification and highlight the potential of integrating infection detection, coordinate localization, and spraying-rate estimation within a unified decision-support framework. The proposed system contributes to precision agriculture by providing an efficient tool for infection monitoring, treatment planning, and sustainable crop management. The research identifies many shortcomings of the suggested framework, including challenges related to manually labeling infections and using the proposed GUI with new real-field images, highlighting opportunities for future improvements.
Benzer Tezler
- İHA ile tarımda sürdürülebilirlik ve hassas tarım uygulamaları ile ayçiçeği hassas gübreleme
Sunflower precise fertilization with sustainability and precision agricultural applications
HÜSNE ARIKAN
Yüksek Lisans
Türkçe
2019
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Açık maden sahalarının farklı uçuş yüksekliklerinden elde edilen insansız hava aracı verileri ile izlenmesi
Monitoring of open mine areas using unmanned aerial vehicle data obtained from different flight altitude
GÜLSÜM YÜKSEL
Yüksek Lisans
Türkçe
2024
Bilgi ve Belge YönetimiMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. ALİ ULVİ
- Turaç insansız hava aracının yapısal modelinin hazırlanması ve analizlerinin yapılması
Structural modeling and analysis of turac unmanned air vehicle
YASİN DERELİ
Yüksek Lisans
Türkçe
2014
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. METİN ORHAN KAYA
- Uydu görüntü verileri ve V-I-S model kullanılarak kentsel ekolojik fonksiyonun mekansal-zamansal analizi
Spatial temporal analysis of urban ecological function by using satellite image data and V-I-S model
CEMRE ÖZTÜRK
Yüksek Lisans
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Mersin büyük ova koruma alanının uzaktan algılama ve coğrafi bilgi sistemleri kullanılarak arazi kullanımındaki zamansal değişimlerin izlenmesi
Monitoring of temporal changes of land use in Mersin great plain protection area by using remote sensing and geographical information systems
ÖZLEM TÜRK ALTUN
Yüksek Lisans
Türkçe
2021
ZiraatÇukurova ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. SUAT ŞENOL