Geri Dön

Ayçiçeği bitkisinin gelişim evrelerinin derin öğrenme teknikleri kullanılarak tespiti

Detection of developmental stages of sunflower plant using deep learning techniques

  1. Tez No: 849540
  2. Yazar: GÜLAY KARAHANLI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CEM TAŞKIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Trakya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 129

Özet

Son yıllarda gelişen hassas tarım teknolojileri sayesinde tarımsal ürünlerin sulanması, gübrelenmesi, ilaçlanması, yabancı otların ayıklanması, hasat edilmesi gibi birçok işlem otonom sistemler tarafından yapılabilmektedir. Bitkilerin gelişimlerinin takip edilebilmesi de hassas tarım uygulamaları için oldukça önemlidir. Özellikle ayçiçeği gibi bazı bitki türlerinde bu işlemlerin ne zaman uygulanacağına, büyük ölçü de bitkinin içerisinde bulunduğu gelişim evresine göre karar verilmektedir. Ayrıca ayçiçeği ile ilgili yapılan bilimsel çalışmalarda bu evrelerin bilinmesi büyük önem arz etmektedir. Bu çalışmada ayçiçeği bitkilerinin gelişim evrelerinin sınıflandırılabilmesi için derin öğrenme yöntemleri kullanılmıştır. Dron yardımıyla araziden alınan görüntüler yüksek çözünürlüklü olduğu için her biri 6 eşit parçaya bölünmüş ve sonrasında 8 sınıf belirlenerek her bir sınıfa ait görüntüler ayıklanmıştır. Her sınıfta 1600 adet, toplamda 12800 adet görüntünün olduğu bir veri seti oluşturulmuştur. AlexNet, InceptionV3, ResNet101, DenseNet121, MobileNet ve Xception olmak üzere altı farklı derin öğrenme modeli, Sgd, Adam ve Rmsprop optimizasyon yöntemleriyle test edilerek performansları karşılaştırılmıştır. Modellerin başarılarının daha doğru değerlendirilebilmesi için eğitilen modeller farklı bir araziden alınan görüntüler ile oluşturulan ikinci bir veri seti üzerinde de test edilmiş ve yüksek başarı oranları elde edilmiştir. Ayrıca hangi evrede olduğuna net karar verilemeyen görüntüler için 7 sınıflı bir ara evre test seti oluşturulmuş ve yine modellerin başarı oranları test edilmiştir. 7-8 ara evresinde bulunan görüntüler için başarının çok düşük olduğu gözlemlenmiş, bu sınıf için de başarı oranını arttıracak bazı filtreler görüntülere uygulanarak modeller yeniden eğitilmiş ve elde edilen bulgular değerlendirilmiştir.

Özet (Çeviri)

Thanks to the precision agriculture technologies developed in recent years, many processes such as irrigation, fertilization, spraying, weeding and harvesting of agricultural products can be done by autonomous systems. Monitoring the development of plants is also very important for precision agriculture applications. Especially in some plant species such as sunflower, when to apply these processes is largely decided according to the developmental stage of the plant. In addition, it is of great importance to know these stages in scientific studies on sunflower. In this study, deep learning methods were used to classify the developmental stages of sunflower plants. Since the images taken from the field with the help of drone are high resolution, each of them is divided into 6 equal parts, and then 8 classes are determined and the images belonging to each class are extracted. A data set with 1600 images in each class and 12800 images in total was created. Six different deep learning models, namely AlexNet, InceptionV3, ResNet101, DenseNet121, MobileNet and Xception, were tested with Sgd, Adam and Rmsprop optimization methods and their performances were compared. In order to evaluate the success of the models more accurately, the trained models were also tested on a second data set created with images taken from a different terrain and high success rates were obtained. In addition, a 7-class intermediate stage test set was created for the images whose stage could not be determined clearly, and the success rates of the models were tested again. It was observed that the success rate was very low for the images in the 7-8 intermediate stage, and some filters that would increase the success rate for this class were applied to the images, and the models were retrained and the results were evaluated.

Benzer Tezler

  1. Ayçiçeği bitkisinin gelişim evrelerinin görsel dönüştürücüler ile tespiti ve diğer derin öğrenme modelleri ile karşılaştırılması

    Detection of development stages of sunflower plant using visual transformers and comparison with other deep learning models

    SABRİYE BAYIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CEM TAŞKIN

  2. Trakya'da su ayak izinin tarımsal ekosistemde belirlenmesi ve modellenmesi

    Determination and modelling water footprint in agricultural ecosystem in thrace region

    SERHAN YEŞİLKÖY

    Doktora

    Türkçe

    Türkçe

    2020

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. LEVENT ŞAYLAN

  3. Topraktan ve yapraktan uygulanan bor kaynaklarının ayçiçeği bitkisinin gelişimi ve kimi besin elementlerinin alınımı üzerine etkisi

    Effects of soil and foliar applied boron resources on plant growth and uptake of some nutrient elements of the sunflower

    ZAFER BEŞTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    ZiraatUludağ Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    DOÇ. DR. HAKAN ÇELİK

  4. Farklı ekim bölgelerindekiayçiçeği ekili alanlarının uzaktan algılama tekniği ile belirlenmesi üzerine bir araştırma

    A research on determining sunflower planted area by remote sensing technique in different planting zones

    ECE GÖNECİ

    Doktora

    Türkçe

    Türkçe

    2019

    ZiraatEge Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    PROF. DR. YUSUF KURUCU