Geri Dön

Tarımsal ortamlarda bitki hastalıklarının gerçek zamanlı tespiti için yapay zekâ tabanlı melez algoritma tasarımı

Design of an artifical intelligence based hybrid algorithm for real-time detection of plant diseases in agricultural environments

PDF İndir

  1. Tez No: 823439
  2. Yazar: İLAYDA YAĞ
  3. Danışmanlar: DOÇ. DR. AYTAÇ ALTAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Zonguldak Bülent Ecevit Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 89

Özet

Dünya genelinde kıtlık ve gıda güvensizliğinin önemli bir nedeni olan bitki hastalıklarının erken tespiti ve önlenmesi, tarımsal ürün verimliliğinin artırılması açısından oldukça önemlidir. Bitki hastalığının sadece erken tespiti değil aynı zamanda türünün belirlenmesi de uygun tedavinin yapılmasında kritik rol oynamaktadır. Bitki hastalıklarının ve çeşitlerinin belirlenmesinde sıklıkla kullanılan gözle muayenenin yorucu ve insan hatasına açık olması, bitki hastalıklarının tespitinde otomatik olarak yüksek doğrulukta ve düşük hesaplama maliyetiyle sınıflandırabilen algoritmaların geliştirilmesini gerektirmektedir. Bu tezde elma, üzüm ve domates bitkilerinden oluşan görüntü veri setinin özellikleri, Biorthogonal, Coiflets, Daubechies, Fejer-Korovkin ve Symlets gibi dalgacık aileleri kullanılarak İki Boyutlu-Ayrık Dalgacık Dönüşümü (Two-Dimensional Discrete Wavelet Transform-2D-DWT) ile çıkarılmaktadır. Her aile için sınıflandırıcı performansını yüksek tutan özellikler popülasyon tabanlı meta sezgisel Çiçek Tozlaşma Algoritması (Flower Pollination Algorithm-FPA) ve Destek Vektör Makinesi (Support Vector Machine-SVM) ile oluşan sarmalayıcı yaklaşımla seçilmektedir. Önerilen optimizasyon algoritmasının performansı Parçacık Sürü Optimizasyonu (Particle Swarm Optimization-PSO) algoritması ile karşılaştırılmaktadır. Daha sonra Evrişimli Sinir Ağı (Convolutional Neural Network- CNN) sınıflandırıcısı için sınıflandırma performansını yüksek tutabilecek en düşük öznitelik sayısı kullanılarak sınıflandırma performansı elde edilmektedir. Modelin karmaşıklığını en aza indirmek ve model hiper parametre problemiyle başa çıkabilmek için öznitelik çıkarma katmanı olmayan tek bir sınıflandırma katmanına sahip CNN sınıflandırıcısı kullanılmaktadır. Elde edilen model, İnsansız Hava Aracı (İHA) üzerindeki NVIDIA Jetson Nano geliştirici kitine gömülerek elma, üzüm ve domates bitkilerinde gerçek zamanlı sınıflandırma testleri yapılmaktadır. Elde edilen deneysel sonuçlar, önerilen modelin belirtilen bitki yaprak hastalıklarını gerçek zamanlı olarak yüksek doğrulukla sınıflandırdığını göstermektedir. Ayrıca, hesaplama karmaşıklığı düşük optimizasyon algoritması ile en az sayıda öznitelik seçilerek oluşturulan sağlam melez sınıflandırma modelinin bitki yaprak hastalıklarını gerçek zamanlı ve hassas bir şekilde sınıflandırabildiği sonucuna varılmaktadır.

Özet (Çeviri)

The early detection and prevention of plant diseases that are an important cause of famine and food insecurity worldwide are very important for increasing agricultural product productivity. Not only the early detection of the plant disease, but also the determination of its type play a critical role in the appropriate treatment. The fact that visual inspection, which is frequently used in determining plant disease and types, is tiring and prone to human error, necessitated the development of algorithms that can automatically classify plant disease with high accuracy and low computational cost. In this thesis, the features of the image dataset consisting of apple, grape, and tomato plants are extracted by a Two-Dimensional Discrete Wavelet Transform (2D-DWT) using wavelet families such as Biorthogonal, Coiflets, Daubechies, Fejer–Korovkin, and Symlets. Features that keep classifier performance high for each family are selected by the wrapper approach, consisting of the population-based metaheuristics Flower Pollination Algorithm (FPA) and Support Vector Machine (SVM). The performance of the proposed optimization algorithm is compared with the Particle Swarm Optimization Algorithm (PSO). Afterwards, the classification performance is obtained by using the lowest number of features that can keep the classification performance high for the Convolutional Neural Network (CNN) classifier. The CNN classifier with a single layer of classification without a feature extraction layer is used to minimize the complexity of the model and to deal with the model hyperparameter problem. The obtained model is embedded in the NVIDIA Jetson Nano developer kit on the Unmanned Aerial Vehicle (UAV), and real-time classification tests are performed on apple, grape, and tomato plants. The experimental results obtained show that the proposed model classifies the specified plant leaf diseases in real time with high accuracy. Moreover, it is concluded that the robust hybrid classification model, which is created by selecting the lowest number of features with the optimization algorithm with low computational complexity, can classify plant leaf diseases in real time with precision.

Benzer Tezler

  1. Tez No

    887887

    Application of potential disease detection techniques in greenhouses and their impact on sustainability

    Seralarda potansiyel hastalık tespit tekniklerinin uygulanması ve sürdürülebilirlik üzerindeki etkileri

    AKO KAKARASH OMER

    Doktora

    İngilizce

    İngilizce

    2024

    ZiraatOndokuz Mayıs Üniversitesi

    Tarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı

    PROF. DR. YEŞİM BENAL ÖZTEKİN

  2. Tez No

    899412

    Bitki büyümesini teşvik edici markörler barındıran bakteriyel izolatların bazı abiyotik stres koşullarına dayanıklılığının ın vıtro koşullarda incelenmesi

    In vitro investigation of the resistance of bacterial isolates harboring plant growth promoting markers to some abiotic stress conditions

    ŞEVİN DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    BiyolojiVan Yüzüncü Yıl Üniversitesi

    Tarımsal Biyoteknoloji Ana Bilim Dalı

    DOÇ. DR. BİLGİN TAŞKIN

  3. Tez No

    756742

    Görüntü işlemenin Convolutional Neural Network (CNN) modeli kullanılarak tarımsal alanda uygulanması: Hastalıklı yaprak tespiti

    Application of image processing in agriculture using the Convolutional Neural Network (CN) model: Leaf disease detection

    BETÜL KARAOĞLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET TAHİR GÜNEŞER

    DR. ÖĞR. ÜYESİ İSA AVCI

  4. Tez No

    737896

    Biological control of Aspergillus flavus growth and its aflatoxin b1 production by antagonistic yeasts

    Antagonistik mayalar ile Aspergillus flavus gelişimi ve aflatoksin b1 üretiminin biyolojik kontrolü

    DİLARA NUR DİKMETAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Gıda Mühendisliğiİstanbul Teknik Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HATİCE FUNDA KARBANCIOĞLU GÜLER

    DR. HAYRETTİN ÖZER

  5. Tez No

    820974

    Bioprospection of antagonistic yeasts for biocontrolling postharvest pathogenic fungi and physicochemical characterization of a yeast exopolysaccharide

    Patojenik küflerin hasat sonrasi biyolojik kontrolünde antagonistik mayalarin biyoprospeksiyonu ve bir maya ekzopolisakkaritinin fizikokimyasal karakterizasyonu

    SEBAHAT ÖZTEKİN

    Doktora

    İngilizce

    İngilizce

    2023

    Gıda Mühendisliğiİstanbul Teknik Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HATİCE FUNDA KARBANCIOĞLU GÜLER

Geri Dön