Drone görüntülerinden derin öğrenme teknikleri ile kayısı rekolte tahmini
Apricot harvest prediction with deep learning techniques from drone images
- Tez No: 756950
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET EMİN TENEKECİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: CNN, Derin öğrenme, Drone, Rekolte tahmin, CNN, Deep learning, Drone, Yield estimation
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ülkemiz kayısı, incir, kiraz ve fındık gibi bazı ürünlerde dünyada önemli bir üretim merkezidir. Bu ürünlerin rekoltelerinin doğru hesaplanabilmesi oldukça önemlidir. Kayısı üretiminde ülkemiz dünyada birinci sırada yer almaktadır. Kayısı ihraç ettiğimiz ürünlerin başında gelmektedir. Tarım ürünlerinin ihraç edilebilir olması ülkeler için önemli bir ekonomik değerdir. Bunun için bu ürünlerin rekoltelerinin hasat yapılmadan önce doğru tahmin edilebilmesi arz-talep dengesini kuracak ve ürünün piyasa değeri üzerinde oluşabilecek manipülasyonları engelleyecektir. Projemizde pahalı donanımlar kullanmadan kayısı rekoltesini tahmin edebilmek için bir çalışma yapıldı. Veri seti drone çekimi ile Malatya ilinden seçilen bir kayısı bahçesinin görüntülerinden özgün bir biçimde oluşturulmuştur. Derin öğrenme algoritmaları YOLOv4, YOLOv5 ve Faster R-CNN ile model eğitimleri yapılarak üç algoritmanın sonuçları karşılaştırılmıştır. Oluşturulan modeller ile nesne tespiti ve tahmini rekolte hesabı yapabilmek için Python dili ile“Kayısı Rekolte AI”adı verilen bir uygulama kodlanmıştır. Program üzerinden elde edilen sonuçları değerlendirmek için karmaşıklık matrisine göre doğruluk, kesinlik, hatırlatma ve f1-score sonuçları değerlendirme ölçütleri olarak kullanılmıştır. Testler sonucunda YOLOv4, YOLOv5 ve Faster R-CNN ile sırasıyla %94.7, %69 ve %41 nesne tespiti doğruluk oranı ve toplam tahmini rekolte için ise %93.81, %43.2 ve %0.68 oranına başarılı sonuçlar elde edilmiştir. Elde edilen sonuçlara göre bu çalışmada YOLOv4 algoritması diğer algoritmalara göre daha başarılı olduğu ve literatürde yer alan benzer diğer çalışmalara göre de daha başarılı olduğu kanıtlanmıştır.
Özet (Çeviri)
Our country is an important production center in the world in some products such as apricots, figs, cherries and hazelnuts. It is very important that the harvests of these products can be calculated correctly. Our country ranks first in the world in apricot production. Apricots are one of the leading products we export. The fact that agricultural products can be exported is an important economic value for countries. For this reason, the ability to accurately predict the harvests of these products before harvesting will establish the supply-demand balance and prevent manipulations that may occur on the market value of the product. In our project, a study was carried out to estimate the apricot harvest without using expensive equipment. With the drone shooting for the data set, an apricot orchard selected from Malatya province was created in an original format from the images. The results of the three algorithms were compared by performing model trainings with deep learning algorithms YOLOv4, YOLOv5 and Faster R-CNN. An application called“Apricot Harvest AI”has been coded with the Python language in order to make object detection and estimated harvest calculations with the created models. In order to evaluate the results obtained through the program, accuracy, precision, reminder and f1-score results were used as evaluation criteria according to the complexity matrix. As a result of the tests, YOLOv4, YOLOv5 and Faster R-CNN achieved 94.7%, 69% and 41% object detection accuracy rate and 93.81%, 43.2% and 0.68% for total estimated harvest, respectively. According to the results obtained, in this study, the YOLOv4 algorithm has been proven to be more successful than other algorithms and to be more successful than other similar studies in the literature.
Benzer Tezler
- Derin öğrenme teknikleri kullanilarak gerçek zamanli saldiri tespiti
Real-time attack detection using deep learning techniques
AHMET ER
Doktora
Türkçe
2024
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULLAH HAKAN YAVUZ
- Building damage assessment from post-earthquake drone images using deep learning based segmentation methods: The case of February 6, 2023 Türkiye earthquakes
Derin öğrenme tabanlı bölütleme yöntemleri kullanılarak deprem sonrası drone görüntülerinden bina hasar tespiti: 6 Şubat 2023 Türkiye depremleri örneği
BEYZA GÜRER
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİNE ELİF KARSLIGİL
- Video analysis based fish detecton and tail beat frequency estimation in fishways
Video analizi ile balık geçitlerinde balık tanıma ve kuyruk sallama frekansı tahmini
YASİN YILDIRIM
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
PROF. DR. SERHAT KÜÇÜKALİ
- Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images
Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı
OZAN GÜLDALİ
Yüksek Lisans
İngilizce
2021
Matematikİstanbul Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL İNAN
- Evrişimli sinir ağları ile yüksek çözünürlüklü uydu görüntülerinden uçak tespiti
Aircraft detection from high resolution satellite images with convolutional neural networks
EMİNE DİLŞAD ÜNSAL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL