İnsansız hava aracı sistemi ile çekilen multispektral zaman serisi görüntüleri ve makine öğrenmesi ile bazı bitki türlerinin sınıflandırılması
Classification of some crop species by using time-series unmanned air vehicle multispectral images and machine learning techniques
- Tez No: 717122
- Danışmanlar: PROF. DR. EYÜP SELİM KÖKSAL
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Tarımsal Yapılar ve Sulama Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 53
Özet
Tarımsal üretimde dijital teknolojilerin kullanılması günümüzde, tüm dünyada ve Türkiye'de araştırmacıların yoğunlaştığı öncelikli alanlar arasındadır. Uzaktan algılama sistemlerinden olan uydu ve İnsansız Hava Aracı (İHA) sistemleri bitkisel üretimde dijital teknoloji kullanılmasında önde gelen araçlardır. Bu sistemler özellikle sulama, gübreleme, zirai mücadele ve verim tahmini gibi konularda kullanılma potansiyeline sahiptir. Uzaktan algılama tekniklerinin bitkisel üretimde kullanılmasında bitkilerin sınıflandırılması ve belirlenmesi ilk adımı oluşturmaktadır. Ancak her hangi bir dönemde çekilmiş tek bir görüntü ve basit yöntemler kullanılması, bitkilerin spektral imzalarındaki benzerlikler nedeniyle, ayrıştırılmalarında yeterince başarı sağlamamaktadır. Bu çalışmada farklı bitkilerin yetiştirildiği alanlarda bitkilerin ayrıştırılmasında zaman serisi olarak çekilmiş İHA görüntüleri ve Rassal Orman (RO) makine öğrenmesi tekniği kullanılmıştır. Çalışma kapsamsında RO makine öğrenmesi algoritmasının bitki türlerini belirlemedeki başarısı, yer doğrulamaları ışığında değerlendirilmiştir. Elde edilen sonuçlara göre, çalışma alanında bulunan buğday, çeltik, tohumluk çim , fasulye, incir, kenevir, kişniş, lahana, mısır, sorgum ve soya bitkileri %99'un üzerinde bir doğrulukla birbirlerinden ayırt edilmiştir. Ayrıca bu bitkiler, görüntülerde bulunan bina, sulama kanalı, yol ve yabancı ot alanlarından da yüksek doğrulukla ayırt edilmiştir. Çalışmadan elde edilen sonuçlar, makine öğrenmesi algoritmaları ve multi-spektral ve termal görüntü setlerinin bitkilerin ayırt edilmesi, yetişme alanlarının belirlenmesi ve haritalanmasında başarı ile kullanılabileceğini göstermiştir.
Özet (Çeviri)
Today, the use of digital technologies in agricultural production is among the priority areas where researchers concentrate all over the world and in Turkey. Satellite and unmanned aerial vehicle systems, which are remote sensing systems, are the leading digital technology tools used in crop production. These systems have the potential to be used especially in irrigation, fertilization, agricultural control and yield estimation. Classification and identification of plants is the first step in the use of remote sensing techniques in plant production. However, using a single image taken in any period and using simple methods does not provide the required level of success in the classification of plants due to the similarities in the spectral signatures of the plants. In this study, UAV images taken as time series and Random Forest (RO) machine learning technique were used to classify plants in areas where various vegetation. Within the scope of the study, the success of the RO machine learning algorithm in determining plant species was evaluated in the light of ground truths. According to the results, wheat, paddy rice, tall grass, beans, figs, hemp, coriander, cabbage, corn, sorghum and soybean plants in the study area were classify with an accuracy of over 99%. These plants were also distinguished with high accuracy from the buildings, irrigation canals, roads and weed areas in the images. The results obtained from the study showed that machine learning algorithms, and multi-spectral and thermal image sets can be used successfully in classifiying plants, determining and mapping their growing areas.
Benzer Tezler
- İnsansız hava aracı ve planetscope sistemlerinden elde edilen spektral vejetasyon indekslerinin farklı parsel büyüklükleri için kullanım olanakları
Possibilities of using spectral vegetation indices obtained from unmanned aerial vehicle and planetscope systems for different plot sizes
MUHAMMET ONUR ÇELİK
Yüksek Lisans
Türkçe
2023
ZiraatOndokuz Mayıs ÜniversitesiTarımsal Yapılar ve Sulama Ana Bilim Dalı
PROF. DR. EYÜP SELİM KÖKSAL
- Adaptive blended visual localization system based on artificial neural networks for unmanned air vehicles
İnsansız hava araçları için adaptif harmanlanmış yapay ağ temelli görsel navigasyon sistemi
OĞUZHAN YILMAZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. HALİT HAMİ ÖZ
- Development of a cooperative unmanned aerial vehicle for agricultural operations
Tarımsal operasyonlar için işbirliğine dayalı bir insansız hava aracının geliştirilmesi
EFE OĞUZHAN KARCI
Yüksek Lisans
İngilizce
2023
Makine MühendisliğiBoğaziçi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN ÖNCÜ
- Moving object tracking by regularization via sparsity in wide area aerial video
Hava aracından çekilmiş geniş alan videolarında seyreklik tabanlı regülarizasyon ile hareketli nesne takibi
ERDEM ONUR ÖZYURT
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Unmanned aerial vehicle based visualization of deep excavations using game engines
Oyun motorları kullanılarak derin kazıların insansız hava aracı tabanlı görüntülenmesi
TÜRKER TEKE
Yüksek Lisans
İngilizce
2016
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ONUR PEKCAN