Konvolüsyonel sinir ağlarını kullanarak üzüm ve üzüm yapraklarının hastalıklarının tespit edilmesi
Grape and grape leaves diseases detection using convolutional neural networks
- Tez No: 558880
- Danışmanlar: PROF. DR. CEMİL SUNGUR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bağcılık, insanoğlunun en eski tarımsal faaliyetlerinden biri olup, ve halen de önemini kayıp etmeden ve iklimi uygun ülkelerde en yaygın tarımsal üretim alanlarından biridir. Bitki hastalıkları tarım sektöründe ürün kaybına ve kalitesinin düşmesine ve dolayısıyla büyük ekonomik kayıplara sebep olmaktadır. Bitkilerde hastalıkların ve zararlıların doğru ve hızlı şekilde tespit edilmesi, ekonomik kayıpları büyük ölçüde azaltırken, erken bir tedavi tekniğinin geliştirilmesine yardımcı olabilir. Asmalardaki hastalıkların manuel olarak (elle) takip etmek ve test etmek çok zor ve zaman alıcıdır. Bazı üzüm hastalıklarında kapsamlı işlem süresi, muazzam miktarda prosedür ve uzmanlık gerektirir. Asmalardaki hastalıkları tespit etmek için hızlı otomatik bir işleme sistemi gerekmektedir. Bu çalışmada, asmada (Vitis vinifera) hastalıklarını tespit etme çalışması gerçekleştirilmiştir. Amaç üzüm meyvesi ve yaprağı üzerinde oluşacak hastalıklarının sınıflandırılmasıdır. Bu tez çalışması, veri büyütme (data agumentation) tekniklerini, önceden eğitilmiş olan iki derin öğrenme modelini (SSD_MobileNet v1 ve Faster R-CNN Inception v2) ve bu çalışma için özel olarak farklı kaynaklar kullanarak hazırlanmış olan iki veri setini kullanılarak yeniden eğitilmesi gerçekleştirilmiştir. Birinci veri seti için, Faster R-CNN Inception v2 modeli %78 ile %99 aralığında sınıflandırma doğruluğu ile bu veri setinin tüm test görüntülerinin %95,57'sini doğru şekilde sınıflandırılabilmiştir. Bu modelin doğruluk seviyesi daha yüksek çıkmıştır ancak işlem süresi daha uzun sürmüştür. SSD_MobileNet v1, daha iyi işleme süresiyle tüm test görüntülerinin yalnızca %59,29'unu doğru bir şekilde sınıflandırılabilmiştir. İkinci veri seti için, Faster-R-CNN Inception v2 modeli, bu veri setinin tüm test görüntülerinin %91,61'sini %70 – 99 aralığında doğru şekilde sınıflandırılabilmiştir. Bu modelin doğruluk seviyesi daha yüksek olmuştur ancak daha uzun işlem süresine sahiptir. SSD_MobileNet v1, tüm test görüntülerinin sadece %18'ini doğru ve çok daha iyi işlem süresiyle sınıflandırılabilmiştir. Elde edilen sonuçlara göre, SSD_MobileNet v1 modelinin üzüm meyvesi ve yaprağı hastalıklarının sınıflandırmanın işlemi için yararlı olamayacağı ve başarısız olduğu sonucuna varılmıştır. Diğer tarafından, Faster-R-CNN Inception v2 modeli oldukça iyi bir sonuçlar sergilemiş ve daha başarılı bir model olduğu sonucuna varılmıştır.
Özet (Çeviri)
Viticulture is one of the oldest agricultural activities of mankind and it is still one of the most widespread agricultural production areas without losing its importance in the countries which has suitable climate for it. Plant diseases cause loss of crops and decrease quality of agricultural sector and consequently cause major economic losses. Accurate and rapid detection of diseases and pests in plants can help to develop an early treatment technique while greatly reducing economic losses. It is very difficult and time-consuming to follow and test the grape disease manually and requires extensive processing time, a tremendous amount of procedures and expertise in some grape diseases. A fast automated processing system is needed to detect grape disease. In this thisis work, the task of grape and grape leaf (Vitis vinifera) disease detection is performed. The goal is to classify grapes and grape leaves diseases. This work is done using image agumanetation techniques and transfer learning by retraining two pre-trained deep learning models, SSD_MobileNet v1 and Faster R-CNN Inception v2 on two datasets (named first dataset and second dataset in this work) which had been prepared using different methods specially for this thesis work. For the first dataset, Faster-R-CNN Inception v2 model classified 95.57% of all the testing images of this dataset correctly with a classification accuracy of 78% to 99%. The accuracy level of this model was higher but with longer processing time. SSD_MobileNet v1 only classified 59.29% of all the testing images correctly but with better processing time. For the second dataset, Faster-R-CNN Inception v2 model was able to classify 91.61% of all the testing images of this dataset correctly with a classification accuracy of 70% to 99%. The accuracy level of this model was higher but with longer processing time. SSD_MobileNet v1 only classified 18% of all the testing images correctly but with better processing time Based on these results, it was concluded that the SSD_MobileNet v1 model could not be useful for the task of grape and grape leaves diseases classifications and was unsucessful model for this task. On the other hand, the Faster-R-CNN Inception v2 model showed very good results and was concluded to be a more successful model for this task.
Benzer Tezler
- Konvolüsyonel sinir ağlarını kullanarak bitki türlerinin sınıflandırılması ve bitki hastalıklarının tanısı
Classification of plant species and diagnosis of plant diseases using convolutional neural networks
FUAT KARA
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR TÜFEKCİ
- Social media image classification using deep convolutional neural networks
Derin konvolüsyonel sinir ağlarıyla sosyal medya resimleri sınıflandırması
ÇAĞRI UTKU AKPAK
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FERDANUR ALPASLAN
- Fotoğraftan bağlam bazlı geometri uyumlu doküman oluşturma
Context driven geometry consistent document reconstruction from photograph
YUSUF COŞKUNER
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Detection of humans in video streams using convolutional neural networks
Başlık çevirisi yok
AMEEN MUDHER ABBAS ALDULAIMI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Derin öğrenme yöntemleri ile şüpheli davranış tespiti
Suspicious behavior detection with deep learning methods
DUYGU ÇALIŞKAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR