Geri Dön

Derin öğrenme yöntemleri ile meyve tanıma ve rekolte tahmini

Fruit recognition and yield estimation using deep learning methods

  1. Tez No: 843970
  2. Yazar: ESRA GÜNGÖR ULUTAŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CEMİL ALTIN
  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: Yozgat Bozok Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 57

Özet

Kivi meyvesinin bahçelerde otomatik olarak tespiti, meyve ile dalların ve gövdelerin karmaşık arka planının benzerliği nedeniyle zorlu bir görevdir. Ayrıca, kivi meyvelerinin geleneksel el ile toplama yöntemi insan emeğine büyük ölçüde bağımlıdır ve genel verimi etkilemektedir. Bu tez çalışmasında, verim tahmini ve maliyet azaltma için kritik olan kivi meyvesinin bahçelerde doğal ortamda hızlı ve kesin tespiti odak noktasıdır. Kivi meyve tespiti için Daha hızlı bölgesel evrişimli sinir ağı (Daha hızlı B-ESA) ve Maske bölgesel evrişimli sinir ağı (Maske B-ESA) olmak üzere iki derin öğrenme yöntemi kullanılmış ve sonuçlar karşılaştırılmıştır. Çalışmada ilk olarak, Samsun Çarşamba Güngör çiftliğinden kivi ağaçlarının görüntülerine ait orijinal bir veri seti oluşturulmuştur. Veri setine ön işleme teknikleri uygulandıktan sonra Daha Hızlı B-ESA ve Maske B-ESA yöntemleriyle meyve tespiti gerçekleştirilmiştir. SqueezeNet ve MobileNetV3 gibi, önceden eğitilmiş mimariler kullanılarak ortalama hassasiyet (mAP) değeri %87,4 ve %88,8 olarak sırasıyla elde edilmiştir. Çalışmanın ikinci bölümünde, ResNet50 tabanlı Maske B-ESA yöntemi kullanılarak işlenmiştir ve daha yüksek bir mAP değeri olan %98,48 elde edilmiştir. Deneysel sonuçlar, bahçelerde gerçek zamanlı kivi meyvesi tespiti için önerilen derin öğrenme modellerinin uygulanabilirlik ve etkinliğini göstermektedir.

Özet (Çeviri)

Automatic detection of kiwi fruit in orchards is a challenging task due to the similarity of the fruit and the complex background of branches and stems. In addition, the traditional manual harvesting method of kiwi fruit is highly dependent on human labor and affects the overall yield. In this thesis, the focus is on the rapid and precise detection of kiwi fruit, which is critical for yield estimation and cost reduction, in the natural environment in orchards. Two deep learning methods, Faster regional convolutional neural network (Faster R-CNN) and Mask regional convolutional neural network (Mask R-CNN), are used for kiwi fruit detection and the results are compared. In the study, firstly, an original data set of images of kiwi trees from Samsun Çarşamba Güngör farm is created. Preprocessing techniques are applied to the dataset and then detection is performed with the Faster R-CNN and Mask R-CNN methods. Using pre-trained architectures such as SqueezeNet and MobileNetV3, the average precision (mAP) value was obtained as 87,4% and 88,8%, respectively. In the second part of the study, the ResNet50-based Mask R-CNN method is processed and a higher mAP value of 98,48% is obtained. Experimental results demonstrate the feasibility and effectiveness of proposed deep learning models for real-time kiwi fruit detection in orchards.

Benzer Tezler

  1. Uzaktan algılama ve görüntü işleme tarıma uygulanması

    Remote sensing and image processing application to agriculture

    AHMET YAŞAR BALKESEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Fizik ve Fizik Mühendisliğiİnönü Üniversitesi

    Fizik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUNCAY ÖZDEMİR

  2. Topluluk ve derin öğrenme yöntemleri ile renk ön işlemesine dayalı meyve sınıflandırma

    Fruit classification based on color preprocessing with deep learnining and ensemble learning methods

    ESMA İBİŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBARS UĞUR

  3. Derin öğrenme yöntemleri ile meyvelerin tazelik durumunun belirlenmesi

    Determining the freshness of fruits with deep learning methods

    AYŞİN BULUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDİNÇ UZUN

  4. Deep learning based fruit and vegetable recognition for android pos devices

    Android pos cihazları için derin öğrenme tabanlı meyve ve sebze tanıma

    EGE EKİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  5. Derin öğrenme ve yüz bulma yöntemleri kullanılarak yüz tanıma

    Face recognition with deep learning and face detection

    AYŞE MERVE BÜYÜKBAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay Üniversitesi

    Elektrik-Elektronik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ALİ ÖZTÜRK