A comparative study of YOLOv8 and faster R-CNN in fruit leaf disease detection for precision
Meyve yaprağı hastalığının tespıtı ıçın YOLOv8 ve faster R-CNN metotlarının kullanımı
- Tez No: 896750
- Danışmanlar: PROF. DR. CAFER ÇALIŞKAN
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Antalya Bilim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, gerçek zamanlı nesne tanımlama ve otonom bitki hastalığı teşhisi için derin öğrenme modellerinin, özellikle YOLOv8 ve Faster R-CNN'nin kullanımını araştırmaktadır. Araştırmada, elma, üzüm ve patates gibi çeşitli bitki türlerini içeren 11 farklı sınıftan 38 örnekten oluşan bir veri seti kullanılmaktadır. Bu kategoriler içinde, sağlıklı koşulları ve çeşitli hastalıkları temsil eden özel sınıflar bulunmaktadır. 3171 elma görüntüsü, 4063 üzüm görüntüsü ve 2852 patates görüntüsünden oluşan bu çeşitli veri seti, hastalık tanımlaması için makine öğrenimi modellerinin kapsamlı eğitimini ve değerlendirilmesini desteklemektedir. Alt kümenin istatistiksel analizi, sınıflar arasındaki görüntülerin farklı dağılımlarını ortaya koyarak, her bitki kategorisindeki belirli hastalıkların yaygınlığını ve önemini vurgulamaktadır. YOLOv8 ve Faster R-CNN'nin etkinliği, Intersection over Union (IoU), dikkat skoru ve çıkarım süresi gibi performans metrikleri kullanılarak değerlendirilmektedir. Spesifik sayısal değerler sağlanmamış olsa da, veriler YOLOv8'in IoU açısından iyi performans gösterdiğini ve Faster R-CNN'ye kıyasla daha yüksek bir dikkat skoruna ulaştığını göstermektedir. Buna karşılık, Faster R-CNN daha üstün IoU performansı sergilemekte ancak daha düşük bir dikkat skoruna sahiptir. Ayrıca, YOLOv8 daha hızlı çıkarım süreleri gösterirken, Faster R-CNN'in çıkarım süreleri önemli ölçüde daha uzundur. Bu metriklerin karşılaştırılmasıyla, çalışma her modelin güçlü yönlerine dair değerli bilgiler sunmakta ve bitki hastalığı teşhisi için derin öğrenme mimarilerinin seçimi ve optimizasyonuna rehberlik etmektedir. Araştırma ayrıca nesne tanımlama modellerindeki hız ve doğruluk arasındaki ödünleşimlere dikkat çekerek, uygulamaya özgü gereksinimlerin dikkate alınmasının önemini vurgulamaktadır. Genel olarak, bu çalışma, zararlı bitki hastalıklarıyla mücadelede derin öğrenme modellerinin potansiyelini araştırarak tarım teknolojisini ilerletmektedir. Otonom bitki hastalığı teşhisinde gelecekteki ilerlemelere zemin hazırlamakta ve teşhis tekniklerini geliştirerek küresel gıda güvenliğine katkıda bulunmaktadır.
Özet (Çeviri)
This study investigates the use of deep learning models, specifically YOLOv8 and Faster R-CNN, for real-time object identification and autonomous plant disease diagnosis. The research uses a dataset consisting of 38 examples from 11 distinct classes, which include various plant species such as apple, grape, and potato. Within these categories, there are specific classes representing healthy conditions and various diseases.A statistical analysis of the subset of the dataset reveals different distributions of images across the classes, highlighting the prevalence and significance of certain diseases within each plant category. The effeciency of YOLOv8 and Faster R-CNN is assessed using performance metrics like Intersection over Union (IoU), saliency score, and inference time. Although specific numerical values are not provided, the data indicate that YOLOv8 performs well in terms of IoU and achieves a higher saliency score compared to Faster R-CNN. Conversely, Faster R-CNN shows superior IoU performance but with a lower saliency score. Additionally, YOLOv8 demonstrates faster inference times, while Faster R-CNN has significantly longer inference times.By comparing these metrics, the study provides valuable insights into the strengths of each model, guiding the selection and optimization of deep learning architectures for plant disease diagnosis. The research also emphasizes the trade-offs between speed and accuracy inherent in object identification models, underscoring the importance of considering application-specific requirements. Overall, this study advances agricultural technology by exploring the potential of deep learning models in combating harmful plant diseases. It lays the groundwork for future advancements in autonomous plant disease diagnosis and contributes to global food security by enhancing diagnostic techniques.
Benzer Tezler
- Uydu görünyülerinde heyelan tespiti için yolo ve faster R-CNN mimarilerinin karşılaştırılması
Comparative analysis of yolo and faster R-CNN architectures for landslide detection in satellite images
MUSTAFA KAYGUSUZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALEV MUTLU
- Automated plastic waste detection and visualization in coastal areas using UAVs and deep learning
İnsansız hava araçları ve derin öğrenme kullanılarak kıyı bölgelerinde otomatik plastik atık tespiti ve görselleştirilmesi
HESAM HATAMZADEH KHANGHAHI
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ŞULE ITIR SATOĞLU
- İnsansız hava aracı (İHA) ile sürü analizi ve yönetiminde derinöğrenme tekniklerinin kullanılması
Using deep learning techniques in herd analysis and management with unmanned aerial vehicles (UAVs)
ÇETİN YALÇIN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHakkari ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YARGI BAYDİLLİ
- Derin öğrenme tabanlı damar segmentasyonu
Deep learning-based vessel segmentation
MEHMET KIYAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU KIR SAVAŞ
- Derin öğrenme tabanlı nesne tespit algoritmaları ile hisse senedi al-sat karar destek sisteminin modellenmesi
Modeli̇ng of tradi̇ng deci̇si̇on support system wi̇th deep learni̇ng based object recogni̇ti̇on algori̇thms
GÜNAY TEMÜR
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR BİROĞUL
DOÇ. DR. UTKU KÖSE