Konvolüsyonel sinir ağları kullanılarak patates bitkilerinde fenolojik evrelerin ve optimal hasat zamanının belirlenmesi
Determining phenological stages and optimal harvest time of potato plants using convolutional neural networks
- Tez No: 1025375
- Danışmanlar: DOÇ. DR. SEMRA ÇİÇEK, PROF. DR. ÖMER CEVDET BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ziraat, Engineering Sciences, Computer Engineering and Computer Science and Control, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Tarımsal Biyoteknoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada, patates bitkisinin farklı fenolojik gelişim evrelerinin belirlenmesi ve optimal hasat zamanının tahminlenmesi amacıyla CNN tabanlı derin öğrenme modellerinin geliştirilmesi amaçlanmıştır. Yöntem: Çalışmada Bayburt ilinde tarla koşullarında elde edilen patates (Lady Olympia) görüntüleri kullanılmıştır. Görüntüler ciceklenme_oncesi, ciceklenme, yumru_gelisimi, yumru olusumu ve hasat_hazir olmak üzere beş sınıfa ayrılmıştır ve EfficientNetB0, ResNet50 ve DenseNet121 mimarileri ile sınıflandırma işlemleri gerçekleştirilmiştir. Model performansları veri arttırma uygulanmış ve uygulanmamış veri setleri üzerinde doğruluk, kesinlik, duyarlılık, F1-skor ve karışıklık matrisi metrikleri kullanılarak değerlendirilmiştir. Ayrıca Grad-CAM yöntemi kullanılarak modellerin karar mekanizmaları görselleştirilmiştir. Bulgular: Elde edilen sonuçlar tüm modellerin yüksek sınıflandırma başarısı gösterdiğini ortaya koymuştur. Veri arttırma uygulanmış veri setinde DenseNet121 modeli %100 test doğruluğu ile en başarılı model olurken, veri arttırma uygulanmamış veri setinde de aynı performansı korumuştur. Veri arttırma işleminin özellikle EfficientNetB0 ve ResNet50 modellerinde performansı arttırdığı belirlenmiştir. Grad-CAM sonuçları ise modellerin biyolojik açıdan anlamlı bölgeleri dikkate alarak sınıflandırma yaptığını göstermiştir. Sonuç: CNN tabanlı derin öğrenme modellerinin patates bitkisinde fenolojik gelişim evrelerinin belirlenmesi ve optimal hasat zamanının tahminlenmesinde etkili şekilde kullanılabileceği belirlenmiştir. Özellikle DenseNet121 modelinin hem veri artırma uygulanmış hem de uygulanmamış veri setlerinde yüksek doğruluk göstermesi, derin öğrenme tabanlı yaklaşımların patates fenolojisinin izlenmesi ve hasat zamanının tahminlenmesinde güvenilir biçimde kullanılabileceğini ortaya koymuştur.
Özet (Çeviri)
Purpose: This study aimed to develop CNN-based deep learning models for identifying different phenological growth stages of potato plants and predicting the optimal harvest time. Method: Potato (Lady Olympia) images collected under field conditions in Bayburt province were used in this study. The images were categorized into five classes: pre-flowering, flowering, tuber development, tuber formation, and harvest-ready. Classification was performed using EfficientNetB0, ResNet50, and DenseNet121 architectures. Model performances were evaluated on both augmented and non-augmented datasets using accuracy, precision, recall, F1-score, and confusion matrix metrics. In addition, the decision-making mechanisms of the models were visualized using the Grad-CAM technique. Findings: The results demonstrated that all models achieved high classification performance. DenseNet121 was the most successful model, achieving 100% test accuracy on the augmented dataset and maintaining the same performance on the non-augmented dataset. Data augmentation improved the performance of the EfficientNetB0 and ResNet50 models in particular. Furthermore, Grad-CAM analyses showed that the models based their classification decisions on biologically meaningful regions of the images. Results: The findings indicate that CNN-based deep learning models can be effectively used for identifying phenological growth stages and predicting the optimal harvest time in potato plants. In particular, the high accuracy achieved by the DenseNet121 model on both augmented and non-augmented datasets demonstrates that deep learning-based approaches can serve as reliable tools for monitoring potato phenology and estimating harvest time.
Benzer Tezler
- Derin öğrenme yöntemleri ile yaprak görüntülerindenhastalıkların belirlenmesi
Determination of diseases from leaf images using deep learningmethods
MUSTAFA ÖĞRETMEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- Development of an image processing utility package (IPUP)
Başlık çevirisi yok
ALİ HAYDAR GÖKTOĞAN
Yüksek Lisans
İngilizce
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiPROF.DR. NEŞE YALABIK
- Konvolüsyon çekirdekli volterra integral denklemleri
Volterra integral equations with convolution kernel
ÖMER FARUK TEMİZER