Derin öğrenme teknikleri ile bazı bağ zararlılarının oluşturduğu hasarın belirlenmesi
Determination of the damage caused by some vineyard pests with deep learning techniques
- Tez No: 850381
- Danışmanlar: DOÇ. DR. MEHMET METİN ÖZGÜVEN, PROF. DR. DÜRDANE YANAR
- Tez Türü: Doktora
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Tokat Gaziosmanpaşa Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyosistem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
İklim değişikliği kaynaklı küresel ısınma, tarımsal üretimde çeşitli zorluklara neden olmaktadır. Tarımsal üretimdeki zorluklardan biri, çeşitli zararlı popülasyonlarında artıştır. Popülasyondaki artış, tarım ürünlerini ciddi şekilde tehdit etmekte ve verimlilik ile kaliteyi önemli ölçüde olumsuz etkilemektedir. Çoğu zaman çiftçilerin zararlıları ve etkilerini tanımlamada güçlük çekmeleri, yanlış ve aşırı insektisit uygulamalarına neden olabilmektedir. Aşırı insektisit kullanımı hem insan sağlığını tehdit etmekte hem de çevresel kirliliğe yol açarken, üretim maliyetlerini artırarak çiftçiler üzerinde ekonomik baskı oluşturmaktadır. Bu nedenle, zararlıların ve bitkilere verdikleri hasarın erken tespiti, tarımsal sistemlerin sürdürülebilirliği açısından kritik bir öneme sahiptir. Bu çalışmada, derin öğrenme yöntemleri kullanılarak bağlarda salkım güvesi, trips, iki noktalı kırmızıörümcek ve bağ yaprak uyuzu gibi bazı önemli bağ zararlıların hasarlarını tespit etmek için YOLOv8n tabanlı bir model geliştirilmiştir. Geliştirilen model AgDet-YOLO olarak adlandırılmıştır. Bu modelde, SPPF bloğu GSPPF bloğu ile, evrişim katmanındaki SiLU aktivasyon fonksiyonu ReLU ile ve modelin boyun ağındakii evrişim katmanları hayalet evrişim katmanı ile değiştirilmiştir. Ayrıca omurga ağına GSPPF bloğu öncesi Küresel Dikkat Mekanizması (GAM) modülü eklenmiştir. Kafa ağındaki katman bağlantıları değiştirilerek modelin toplam parametre sayısı 3.2M'den 2.9M'a indirilmiştir. Eğitim sürecinde, geliştirilen modelin genel sınıf başarısı standart modelde [email protected] metriğinde 0.955 iken, geliştirilen modelde bu değer 0.963'e yükselmiştir. Ayrıca, geliştirilen model, YOLOv5n, YOLOv8n modelleri ve farklı tek aşamalı model olan MobileNetv2-SSD ile performans karşılaştırmaları yapılmıştır.
Özet (Çeviri)
Global warming caused by climate change causes various difficulties in agricultural production. One of the challenges in agricultural production is the increase in various pest populations. The increase in population seriously threatens agricultural products and significantly negatively affects productivity and quality. Most of the time, farmers have difficulty in identifying pests and their effects, which can lead to incorrect and excessive insecticide applications. Excessive use of insecticides threatens human health and causes environmental pollution, while increasing production costs and creating economic pressure on farmers. Therefore, early detection of pests and the damage they cause to plants is of critical importance for the sustainability of agricultural systems. In this study, a YOLOv8n-based model was improved to detect the damage of some important vineyard pests such as grapevine moth, thrips, two-spotted spider mite and vineyard leaf scab in vineyards using deep learning methods. The improved model is named AgDet-YOLO. In this model, the SPPF block is replaced by the GSPPF block, the SiLU activation function in the convolution layer is replaced by ReLU, and the convolution layers in the neck network of the model are replaced by the ghost convolution layer. Additionally, the Global Attention Mechanism (GAM) module was added to the backbone network before the GSPPF block. By changing the layer connections in the head network, the total number of parameters of the model was reduced from 3.2M to 2.9M. During the training process, while the overall class success of the improved model was 0.955 in the [email protected] metric in the standard model, this value increased to 0.963 in the improved model. Additionally, performance comparisons were made with the improved model, YOLOv5n, YOLOv8n models and a different single-stage model, MobileNetv2-SSD.
Benzer Tezler
- Derin öğrenme teknikleri ile bazı bağ hastalıklarının belirlenmesi
Determination of some vineyards disease with deep learning techniques
ZİYA ALTAŞ
Doktora
Türkçe
2023
ZiraatTokat Gaziosmanpaşa ÜniversitesiBiyosistem Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET METİN ÖZGÜVEN
DOÇ. DR. KEMAL ADEM
- Androıd kötücül yazılımlarından koruma sistemlerinin değerlendirilmesi ve görüntü işleme algoritmalarını yapay zekâ teknikleri ile melezleştirerek yeni bir algılama yaklaşımının geliştirilmesi
Evaluating the robustness of android anti-malware systems and developing a novel detection approach based on hybridizing image processing algorithms with artificial intelligence techniques
HALİT BAKIR
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Cognition-enabling techniques for next-generation radar and electronic warfare systems
Gelecek nesil radar ve elektronik harp sistemleri için bilişsellik-etkinleştirme teknikleri
MUHARREM ARIK
Doktora
İngilizce
2019
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR BARIŞ AKAN
- Çevrimiçi sosyal ağlarda rahatsız edici davranış tespiti ve azaltma stratejileri
Misbehaviour detection and mitigation strategies in online social networks
SEMA ŞAHİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE BERNA ALTINEL GİRGİN
- Obtain anterior/posterior position of the tumor through machine learning
Makine öğrenme yoluyla tümörün anterior/posterior pozisyonunu elde edin
GOLSHAN GHOLAMPOUR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik-Haberleşme Eğitimi Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN