Tarımsal uygulamalar için derin öğrenme temelli uç sistem modellerinin geliştirilmesi ve optimizasyonu
Development and optimization of deep learning based edge system models for agricultural applications
- Tez No: 909031
- Danışmanlar: PROF. DR. AYDIN ÇETİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Derin öğrenme tabanlı bilgisayarlı görme uygulamalarının kullanımı, AlexNet evrişimli sinir ağı mimarisinin 2012'de ImageNet Büyük Ölçekli Görsel Tanıma Yarışmasını (ILSVRC) kazanmasının ardından ivme kazanmıştır. Bu ivme derin öğrenme yöntemlerinin savunma sanayi, akıllı şehirler, akıllı video analitiği, endüstriyel denetim ve sağlık hizmetleri gibi çeşitli alanlarda yaygın bir şekilde uygulamaya başlanmasına sebep olmuştur. Bu ve benzeri alanlarda elde edilen yüksek başarım, son yıllarda tarım ve hayvancılık da dahil olmak üzere diğer alanlarda yapay zeka yöntemlerinin yaygınlaşmasına sebep olmuştur. Bu tezde; yapay zeka modeli eğitimi, model optimizasyonu, model çalıştırma, meta veri akışı, meta veri kaydı, sonuç filtreleme/arama ve veri görselleştirme işlemlerini kolaylaştırmak amacıyla, derin öğrenme tabanlı bilgisayarlı görme uygulamaları için uçtan uca bir iş akışı önerilmiştir. Önerilen akışta son teknoloji derin öğrenme algoritmaları ve altyapıları kullanılarak hem model eğitimi hem de çıkarım performansı odaklı olarak, sınıflandırma modellerinin karşılaştırması gerçekleştirilmiştir. Tarımda yapay zeka kullanımında birçok farklı yöntem bulunmaktadır. Ancak önerilen çözümlerin büyük bir bölümünün, saha uygulamalarında güç tüketimi, sınırlı donanım kaynağı ve cihaz boyutu gibi önemli kısıtlar bulunmaktadır. Bu tez kapsamında geliştirilen modelleri, literatürdeki diğer çalışmalarda geliştirilen modellerle karşılaştırmak için eğitim ve çıkarım süreci, aynı açık kaynak veri seti üzerinde test edilmiştir. Önerilen iş akışı hem modern x86 bilgisayar sistemlerine hem de NVIDIA Jetson gibi ARM64 gömülü cihazlara uygulanabilecek bir çözüm olarak önerilmektedir. Bu nedenle, tez kapsamında NVIDIA Jetson aygıtları için model çalıştırma performansı kıyaslamaları da sağlanmıştır.
Özet (Çeviri)
The use of deep learning enabled computer vision applications gained momentum after AlexNet convolutional neural network architecture won the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) in 2012. This led to the implementation of such methods in various application fields including defense industry, smart cities, intelligent video analytics, industrial inspection, and healthcare. Success of these applications enabled agriculture and livestock management to benefit from such implementations in recent years. In this work, we proposed an end-to-end workflow for deep learning-based computer vision applications to facilitate the AI model training, model optimization, model deployment, metadata streaming, metadata recording, result filtering/searching and data visualization. The source data of the visualizations as result of the analysis are stored in a high-performance database presented within the scope of the study. On the other hand, using the state-of-the-art deep learning algorithms and infrastructures, both model training and inference performance-oriented classification model comparison were carried out. In order to compare the developed models with the models developed in other studies in the literature, the training and inference process were tested on the same open-source data set. The workflow is proposed as a hybrid solution that can be deployed both on streamline x86 computer systems and ARM64 embedded devices. Therefore, deployment benchmarks for servers and NVIDIA Jetson devices are also provided within the paper.
Benzer Tezler
- Derin öğrenme yöntemleri ile MODIS tabanlı NDVI ve LST zaman serilerinin kestirimi ve kuraklık şiddetinin araştırılması
Prediction of MODIS-based NDVI and LST time series and investigation of drought severity using deep learning methods
EMİRCAN BUĞA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER CAN İBAN
- In and end of season soybean yield prediction with histogram based deep learning
Histogram temelli derin öğrenme ile sezon içi ve sezon sonu soya fasulyesi verim tahmini
ESRA ERİK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT DURMAZ
- Derin öğrenme tabanlı kiraz yapraklarında hasar tespiti
Deep learning-based damage detection on cherry leaves
HAZEL BOZCU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAKHAN ÇUBUKÇU
- Derin öğrenme metotları ile asma yapraklarının sınıflandırılması
Classification of vine leaves using deep learning methods
BERİVAN AKDOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. NECMETTİN SEZGİN
- Classification of agricultural land cover using satellite imagery with deep learning
Derin öğrenme ile uydu görüntüleri kullanılarak tarımsal arazi örtüsünün sınıflandırılması
ABDULWAHEED ADEBOLA YUSUF
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP AYDIN