Akıllı tarım için derin öğrenme ile yabani ot ve mahsul sınıflandırılması
Weed and crop classification with deep learning for precision agriculture
- Tez No: 767310
- Danışmanlar: PROF. DR. ERCHAN APTOULA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Anlamsal bölütleme, alan uyarlaması, morfolojik ağlar, zirai otomasyon, Semantic segmentation, domain adaptation, morphological networks, farming automation
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Tarım arazilerinde sıkça kullanılan agrokimyasalların biyolojik çeşitlilik, insanlar ve çevre üzerinde birçok çeşitli yan etkisi vardır. Sürdürülebilir tarım bünyesinde agrokimyasalların kullanımının azaltılması amaçlanmaktadır. Tarım arazilerinde kullanılan robotların bu hedef doğrultusunda hassas bir şekilde mahsul ve yabani otu ayırt etmesi önemli bir ihtiyaçtır. Fakat her mahsulün kendine özgü toprak ve hava koşullarında büyümesinden kaynaklanan ekolojik değişiklikler, yabani ot ve mahsullerin yetişme kademelerinde farklı görünümlere sahip olması, mahsul yakınında yetişen yabani otlardan dolayı bitkilerin üst üste gelmesi, yabani ot ve mahsul türlerinden kaynaklanan değişiklikler gibi birçok farklı durum problemi çözülmesi güç hale getirmektedir. Bu tez kapsamında farklı yaklaşımlar ile yabani ot ve mahsul sınıflandırma görevi ele alınmıştır. Yaklaşımlar iki grupta sınıflandırılmıştır. İlk grupta referans alınan gözetimsiz alan uyarlaması yaklaşımları ile olasılık dağılım sapma ölçüleri birlikte kullanılarak tür çeşitliliğinden kaynaklanan zorluk ele alınmıştır. İkinci gruptaki yaklaşımlarda ise morfolojik ağ mimarilerinin yabani ot ve mahsul sınıflandırma görevindeki etkisi incelenmiştir. Bu tez için yapılan deneylerde şeker pancarı, havuç ve soğan mahsullerinin yetiştiği tarım alanlarından toplanmış görüntülerin bulunduğu veri kümeleri kullanılmıştır. Ele alınan yaklaşımlar ile bu ana kadar görülmeyen yabani ot ve mahsul cinslerinin sınıflandırılma işleminin genelleştirilme başarımı ve farklı ağ mimarilerinin yabani ot ve mahsul sınıflandırma görevindeki başarısı karşılaştırılmıştır.
Özet (Çeviri)
Agrochemicals, which are constantly used in agricultural lands, have many adverse effects on biodiversity, humans and the environment. It is aimed to reduce the use of agrochemicals in sustainable agriculture. In line with this goal, it is an important need for robots used in agricultural lands to distinguish crops and weeds precisely. However, many different situation problems such as ecological changes caused by the growth of each crop in its unique soil and weather conditions, different appearances of weeds and crops at growth stages, overlapping of plants due to weeds growing near the crop, changes due to weeds and crop types render it difficult to solve. In this thesis, the weed and crop classification task is tackled with different approaches classified into two groups. In the first group, the difficulty arising from species diversity was addressed by using unsupervised domain adaptation approaches and probability distribution divergence measures together. In the second group, the effect of morphological network architectures on the weed and crop classification task was investigated. Datasets with images collected from agricultural fields where sugar beet, carrot and onion crops grow were used in the experiments for this thesis. With the approaches discussed, the generalization performance of the classification process of hitherto unseen weeds and crops and the success of different network architectures in the task of crop and weed classification were compared.
Benzer Tezler
- Akıllı tarımda otomatık meyve tespiti için derin öğrenme çerçevelerinin karşılaştırmalı analizi
Comparative analysis of deep learning frameworks for automated fruit detection in smart agriculture
JOSE LUIS SANDOVAL ALAGUNA
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SERKAN GÜNAL
- Derin öğrenme ağları kullanılarak doğal ortamda hastalıklı domateslerin belirlenmesi
Detection of diseased tomatoes using deep learning networks in natural field
KÖKSAL KAPUCUOĞLU
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması
Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques
OSMAN YAVUZ ALTUNTAŞ
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇÖLKESEN
- Derin öğrenme tabanlı akıllı tarım ve uygulamaları
Deep learning based smart agriculture and applications
FURKAN ALP ESEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTUĞ ONAN
- Faster R-CNN derin öğrenme algoritması kullanarak takım düzeyinde böcek sınıflandırılması
Insect order classification using faster R-CNN Deep learning algorithm
MUSA SELMAN KUNDURACI
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DURMUŞ ÖZDEMİR