Weed detection and classification using deep learning
Derin öğrenmeyle zararlı otların tespiti ve sınıflandırması
- Tez No: 687127
- Danışmanlar: PROF. DR. MUSTAFA GÖK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin Öğrenme Algoritmaları, Evrişimsel Sinir Ağları, CovWNET, Transfer Öğrenme Mimarisi, Zararlı Ot Tespiti ve Sınıflandırılması, Deep leaning algorithm, Convolutional neural network, CovWNET, Transfer learning architecture, Weed's classification and detection
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
CNN, imalatlar, robotizasyon, sürdürülebilir çevre ve tıbbi süreçler gibi çeşitli uygulamalarda çeşitli komplikasyonları çözebilir. CNN yönteminin kullanılabileceği bir diğer önemli alanda hassas tarım uygulamalarındır. Bitki mahsul yönetimini gerçekleştirmek için önemli bir adımı yabani otları erken büyüme aşamalarında tespit edilmesi ve kısıtlanmasıdır. Kimyasal olmayan yabani ot kontrolü, sürdürülebilir organik tarımın çok önemli bir yönüdür. Sonuç olarak, bu tez, en gelişmiş derin öğrenme algoritmasını araştırdı ve mahsul ve yabani ot türlerini tespit etmek ve sınıflandırmak için CovWNET olarak adlandırılan yabani ot tespiti için yeni ve basit bir evrişimsel ağ önermektedir. Bu tezde aynı zamanda birlikte, transfer öğrenme uygulamaları da kullanılmış ve bu uygulamalar ile önerilen modeller kıyaslanmıştır. CovWNET, bu çalışmada karşılaştırılan uygulamalar arasında en küçük ikinci ağ modeli olmuştur. Karşılaştırma yapılan transfer modeli ağları arasında en küçük ağ olan MobileNetV2'e kıyasla kabaca 1,5 kat daha fazla parametreye sahiptir fakat %2.8 daha fazla test doğruluğuna erişmiştir. Ayrıca en yüksek doğruluk skoruna sahip olan DenseNET modeline kıyasla %1.7 daha az doğruluk hassasiyetine sahiptir fakat DenseNET modellinden yaklaşık yedi kat daha düşük parametrelere sahiptir. Performans metrikleri olarak kesinlik, geri çağırma, F1 puanı ve destek parametreleri veri kümesinin her sınıfının genel performansını değerlendirmek için kullanılmıştır.
Özet (Çeviri)
CNN can solve miscellaneous complications in several applications suchlike manufactures, robotization, sustainable environment, and medical processes. Except for these areas, precision agriculture according to plant crop management is another essential domain. It must detect and restrain weeds in their early growth stages to accomplish plant crop management. Non-chemical weeds control is a crucial aspect of sustainable organic agriculture. This thesis explores the state-of-the-art deep learning algorithm and proposed a novel and simple convolutional network for weeds detection referred to as CovWNET to detect and classify crop and weeds species. Along with this, transfer learning is implemented with conventional benchmark models in order to compare their performance with the proposed model. CovWNET has the second smallest size among the implementations compared in this study. It has roughly 1.5 times more parameters; however, it achieves 2.8% more accuracy as compared to the smallest network, MobileNetV2. Correspondingly, CovWNET has approximately seven times lesser number of parameters, and 1.7% less accuracy compared to the most accurate model of DenseNET. Performance metrics of precision, recall, F1-score, and support, are employed to evaluate the overall performance of each class of the dataset.
Benzer Tezler
- İnsansız hava aracı görüntüleri üzerinden derin öğrenme tabanlı yabani ot tespiti ve sınıflandırılması
Deep learning based weed detection and classification via unmanned aerial vehicle imagery
FATİH ÇELİK
- 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
- Marul bahçelerinde görüntü işleme tekniği kullanılarak yabancı ot popülasyonlarının tespiti
Detection of weed populations using image processing technique in lettuce gardens
MERT EYİLİ
- Yapay sinir ağları ile buğday tanelerinin kalite tespiti
Qulity detection of wheat kernels by using artificial neural networks
AHMET BABALIK
- Acil serviste tanı alan akut pankreatit hastalarında prognozu öngörmede BISAP ve ED-SAS skorlarının karşılaştırılması
Comparison of BISAP and ED-SAS scores in predicting prognosis in patients with acute pancreatitis diagnosed in the emergency department
ÖMER FARUK ŞEFOĞLU
