Nesnelerin interneti ile yetiştiricilik tanklarının dijitalleştirilerek girdiler ve elde edilen veriler arasındaki ilişkilerin derin öğrenme yöntemleriyle araştırılması
Investigation of relationships between inputs and obtained data by using deep learning methods by digitizing aquaculture tanks with the internet of things
- Tez No: 827818
- Danışmanlar: DR. ÖĞR. ÜYESİ BİLAL USANMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Amaç: Su ürünleri yetiştiriciliğinde balıkların hızlı bir şekilde üretilerek satışa çıkarılması için farklı içerik ve özelliklerde yemler denenmektedir. Aynı çeşit ve aynı özellikteki yetiştiricilik tanklarına aynı türden ve eşit sayıda balıklar konularak belirli aralıklarla pH, sıcaklık ve çözünmüş oksijen takibi klasik yöntemlerle yapılmaktadır. Bu nedenle balıkların beslenme öncesi, beslenme esnasında ve beslenme sonrasında olmak üzere büyüme aşamalarında her bir deney tankı için çeşitli algılayıcılar ile gözlem yaparak algılayıcılardan gelen verilerin toplanması hedeflenmektedir. Verilerin klasik yöntemler ile hatasız biçimde toplanması gerek işgücü gerekse pratik açıdan mümkün görülmediğinden dinamik izleme ve kontrol sağlayacak bu sistemin optimum yetiştiricilik şartlarının sağlanması açısından önemli bir rolü olacaktır. Bu sistem ile oluşan büyük veri ilişkilerinin ise uygun derin öğrenme yöntemleri ile araştırılması da amaçlanmaktadır. Yöntem: Atatürk Üniversitesi Su Ürünleri Fakültesi Deneysel Araştırmalar Biriminde aktif olarak kullanılan yetiştiricilik tankları Nesnelerin İnterneti kapsamında dijitalize edilerek deney tasarımları yapılmıştır. Tankların üzerine algılayıcı bilgilerini araştırmacıya yansıtan gösterge panelleri yerleştirilmiştir. Panellerde gösterilen veriler bilgisayar ağı kullanılarak MQTT ile bulut platformuna taşınmıştır. Ayrıca bu verilerin araştırılması için makine öğrenmesi yöntemlerinden Sinir Ağı, Doğrusal Regresyon, Karar Ağacı, Rastgele Orman ve XGBoost regresyon yöntemleri, zaman serisi derin öğrenme tahmin yöntemlerinden Uzun Kısa Süreli Bellek ve Geçitli Tekrarlayan Birim ve hibrit XGBoost-GRU regresyon yöntemleri kullanılmıştır. Bulgular: Deneysel Araştırmalar Biriminde bulunan yetiştiricilik tanklarının Nesnelerin İnterneti ile dijitalleştirilmesi sonucunda tankların anlık pH, sıcaklık ve çözünmüş oksijen değerleri, ortamın nem seviyesi gözlemlenebilir olmuştur. Algılayıcılardan alınan değerler ile oluşturulan veri kümesi makine öğrenmesi ve derin öğrenme yöntemlerine tabi tutularak başarı yüzdeleri genel olarak kıyaslandığında en iyi sonuçları %98,5 ile GRU, %97,9 ile LSTM ve %97,9 ile hibrit GRU-XGBoost modellerinin verdiği gözlemlenmiştir. Sonuç: Nesnelerin İnterneti ile dijitalleştirilen sistemde, su kalitesini belirleyen parametrelerden pH, sıcaklık ve çözünmüş oksijen için yetiştiricilik tanklarına müdahale gerektiren durumların önceden tespit edilebilmesi sağlanmıştır. Dijitalleştirilen sistemin teknik aksaklıklarından ve tank temizliği gibi el yordamı ile yapılan işlemlerinden sonra ortaya çıkan aykırı değerler veri ön işleme adımında tespit edilmiştir. Derin öğrenme yöntemleri ile regresyon işlemlerinin uygulanması, tespit edilen aykırı değerlere karşılık daha doğru veri üreterek veri kümesinin stabil değerlerle oluşturulmasını mümkün kılmıştır.
Özet (Çeviri)
Purpose: In aquaculture production, feeds with different contents and properties are tried in order to produce fish quickly and put them on sale. By placing fish of the same species and in equal numbers in aquaculture tanks of the same species and characteristics, pH, temperature and oxygen monitoring are carried out at regular intervals using classical methods. For this reason, it is aimed to collect the data from the sensors by observing various sensors for each experimental tank during the growth stages of the fish before, during and after feeding. This system, which will provide dynamic monitoring and control, will have an important role in ensuring optimum aquaculture conditions since data collection with classical methods is not considered possible in terms of labor and practice. It is also aimed to investigate the big data relationships formed with this system with appropriate deep learning methods. Method: Aquaculture tanks, which are actively used in the Experimental Research Unit of Atatürk University, Faculty of Fisheries, were digitized within the scope of the Internet of Things and experimental designs were made. Instrument panels that reflect the sensor information to the researcher are placed on the tanks. The data shown on the panels were transferred to the cloud platform with MQTT using the computer network. In addition, machine learning methods such as Neural Network, Linear Regression, Decision Tree, Random Forest and XGBoost regression methods, Long Short Term Memory and Gated Repetitive Unit and hybrid XGBoost-GRU regression methods from time series deep learning estimation methods were used to investigate these data. Findings: As a result of the digitalization of the aquaculture tanks in the Experimental Research Unit with the Internet of Things, instant pH, temperature and dissolved oxygen values of the tanks, as well as the humidity level of the environment can be observed. When the data set created with the values obtained from the sensors is subjected to machine learning and deep learning methods, when the success rates are compared in general, it has been observed that the GRU models with 98.5%, LSTM with 97.9% and hybrid GRU-XGBoost models with 97.9%. Results: In the system, which has been digitized with the Internet of Things, it has been ensured that the conditions that require intervention in the aquaculture tanks for pH, temperature and dissolved oxygen, which are parameters determining the water quality, can be determined beforehand. The outliers that emerged after the technical failures of the digitized system and manual operations such as tank cleaning were detected in the data preprocessing step. The application of regression processes with deep learning methods has made it possible to create the dataset with stable values by producing more accurate data against the detected outliers.
Benzer Tezler
- Nesnelerin interneti ile akıllı sera uygulaması
Smart greenhouse application with internet of things
KERİM ÇAĞLAR
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiMatematik Bilgisayar Ana Bilim Dalı
DOÇ. DR. ALPER ODABAŞ
- Nesnelerin interneti kullanılarak sera uygulaması geliştirilmesi
Development of greenhouse application using the internet of things
AHMET EROL KALKIŞIM
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEDAĞ
DOÇ. DR. MUSTAFA ALPER AKKAŞ
- Nesnelerin interneti ile kapalı döngü tedarik zincirinde müşteri davranışlarının etkisi
The effect of customer buying behaviour on closed loop supply chain optimization with internet of things
SEMA KAYAPINAR
Doktora
Türkçe
2017
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. HADİ GÖKÇEN
- Smart home design with IoT (Home automation)
Nesnelerin interneti ile akıllı ev tasarımı (Ev otomasyonu)
YASSER SAMIR HADI AL-SAMARRAEI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. SİBEL TARIYAN ÖZYER
- Nesnelerin interneti ile uzaktan eğitimde duyu kaybı telafisinin fiziksel buradalık bağlamında incelenmesi
Examining sensory loss compensation in distance education with the internet of things in the context of physical presence
FAHRİ YILMAZ
Doktora
Türkçe
2024
Eğitim ve ÖğretimGazi ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. SELÇUK ÖZDEMİR