Akıllı tarımda otomatık meyve tespiti için derin öğrenme çerçevelerinin karşılaştırmalı analizi
Comparative analysis of deep learning frameworks for automated fruit detection in smart agriculture
- Tez No: 647556
- Danışmanlar: PROF. DR. SERKAN GÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: 119
Özet
Son zamanlarda, akıllı tarım için ağaçlardaki meyveleri otomatik olarak belirlemeye yönelik derin öğrenme tabanlı nesne algılama yaklaşımları ön plana çıkmıştır. Bununla birlikte, çeşitli çerçevelerin farklı meyve türlerine uygunluğu bu tür çalışmalarda yeterince analiz edilmemiştir. Bunu göz önünde bulundurarak, bu tezde, farklı meyve türlerini tespit etmek için nesne tespitine yönelik farklı derin öğrenme çerçevelerinin performansı kapsamlı bir şekilde analiz edilmiştir. Bu amaçla, nesne tespiti için güncel literatüre göre en yüksek performanslı derin öğrenme çerçeveleri arasında yer alan RetinaNet, YOLOv3 ve YOLOv4 çerçeveleri ile mango, badem, üzüm ve elma görselleri için 5 farklı veri seti kullanılmıştır. Kapsamlı bir deneysel analiz sonunda, tespit doğruluğu, eğitim süresi ve tespit süresi açısından RetinaNet'in en iyi çerçeve olduğu gözlemlenmiştir. Ayrıca görüntü veri setlerini oluştururken atmosferik koşullar, nesnenin özellikleri ve günün saati gibi faktörlerin algılama performansı üzerinde büyük etkisi olduğu bulunmuştur. Son olarak, deneylerin koşullarının belgelenmesinin, deneylerin tekrarlanabilirliğini ve farklı çerçeveler ve veri kümeleri arasında karşılaştırmayı kolaylaştırdığı belirtilmiştir
Özet (Çeviri)
Recently, deep learning-based object detection approaches have come into prominence to automatically determine the fruits on trees for smart agriculture. However, the suitability of various frameworks to different fruit types has not been adequately analyzed in such studies. Taking this into consideration, in this thesis, the performance of different deep learning frameworks for object detection in detecting different fruit types has been comprehensively analyzed. For this purpose, RetinaNet, YOLOv3, and YOLOv4, which are among the highest performing deep learning frameworks for object detection according to the current literature, and 5 different datasets for mango, almond, grape, and apple images were used. After a through experimental analysis, it has been observed that RetinaNet is the best framework in terms of detection accuracy and training and detection time. Also, it has been found that the factors such as atmospheric conditions, properties of the object, and time of day while constituting the image datasets have great impact on the detection performance. Finally, it has been noted that documenting the conditions of the experiments facilitates the reproducibility of the experiments and comparison between different frameworks and datasets.
Benzer Tezler
- An intelligent system for detecting Mediterranean fruit fly [Medfly; Ceratitis capitata (Wiedemann)]
Akdeniz meyve sineğinin (Ceratitis capitata) akıllı sistemile tespit edilmesi
YUSUF UZUN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAksaray ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET REŞİT TOLUN
- Implementation and performance evaluation of classifiers SVM, CNN and ANN in vineyard estimation
Üzüm salkımı meyvelerinin tanınması amacıyla DVM, ESA ve YSA sınıflayıcılarının gerçekleştirilmesi ve başarılarının belirlenmesi
BASHAR SAAD FALIH AL-SAFFAR
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAMİ ARICA
- An IoT based smart irrigation recommendation system
Yeni bir IoT tabanlı akıllı sulama sistemi
WASEEM ALGBURI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN
- E-tarım kapsamında bitkisel üretimde tarımda dijital teknoloji kullanım seviyesinin belirlenmesi ve politika önerilerin geliştirilmesi (Konya ili örneği)
Determining the level of use of digital technology in agriculture in crop production within the scope of e-agriculture and developing policy suggesti̇ons (Konya province case)
HAKAN SAÇTI
- Transfer öğrenme, özellik seçimi ve makine öğrenmesi yöntemlerine dayalı karma bir yaklaşım ile nohut tohumu çeşitlerinin çoklu sınıflandırılması
Multiple classification of chickpea seed varieties with a hybrid approach based on transfer learning, feature selection, and machine learning methods
İBRAHİM KILIÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NESİBE YALÇIN