Tarım sektöründe yapay zeka uygulamaları
Artificial intelligence applications in the agriculture sector
- Tez No: 931315
- Danışmanlar: DR. FUAT TÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Günümüzde tarım sektörü, artan dünya nüfusu, azalan tarım arazileri ve iklim değişikliğinin etkileri nedeniyle, verimliliği yükselten yenilikçi yaklaşımlara ihtiyaç duymaktadır. Akıllı tarım, ileri teknolojilerin bütünleştirilmesiyle bu tarımsal süreçleri optimize eden modern bir çözüm sunmaktadır. Sensörler, yapay zekâ, görüntü işleme algoritmaları ve robotik sistemler, tarımsal verimliliği artırmanın yanı sıra gıda güvenliğini sağlamada kritik roller üstlenmektedir. Özellikle buğday sınıflandırma, hem genetik çeşitliliğin korunması hem de çevresel koşullara uygun tarım uygulamalarının geliştirilmesi açısından stratejik bir öneme sahiptir. Bu çalışmada, buğday çeşitlerinin doğru ve hızlı sınıflandırılmasını sağlamak amacıyla çeşitli derin öğrenme modellerinin performansı detaylı bir şekilde analiz edilmiştir. Kullanılan modeller arasında VGG19, InceptionV3, ResNet50, Xception, ResNet101, EfficientNetB5 ve EfficientNetB7 bulunmaktadır. Eğitim test doğruluk oranları sırasıyla %96,44, %97,48, %95,77, %94,92, %95,59, %97,61 ve %95,42'dir. Elde edilen bulgular, EfficientNetB5 (%97,61) ve InceptionV3 (%97,48) modellerinin buğday sınıflandırma performansı açısından diğer modellere kıyasla daha üstün olduğunu ortaya koymuştur. Bu başarı, EfficientNetB5 mimarisinin optimize edilmiş parametre yapısı ve düşük hesaplama maliyetleri ile daha iyi bir performans sağladığını göstermektedir. Bunun yanında, InceptionV3 modelinin karmaşık buğday desenlerini tanımlamadaki üstünlüğü, modelin tarımsal görüntü işleme alanında etkin bir şekilde kullanılabileceğini kanıtlamaktadır. Ayrıca bu iki en başarılı modeli birleştirerek oluşturulan bir Topluluk Öğrenme modelinin (%98,2) diğer tüm modellere göre daha başarılı sonuçlar verdiği tespit edilmiştir. Özellikle tarımsal görüntülerin boyutu ve çeşitliliği, modellerin performansı üzerinde belirleyici bir etken olmuştur. Sonuçlar, doğru buğday sınıflandırmasının, tarımsal üretim süreçlerinde kaynak kullanımını optimize ederek ekonomik kayıpları minimize edebileceğini ve uluslararası standartlara uygun tarım ürünlerinin ticaretine katkı sağlayabileceğini ortaya koymaktadır. Bu çalışma, tarımsal sınıflandırma süreçlerine yapay zekâ tabanlı çözümler sunarak, akıllı tarım uygulamalarının etkinliğini artırmayı amaçlamaktadır.
Özet (Çeviri)
The agricultural sector today, needs innovative approaches that increase productivity due to the increasing world population, decreasing agricultural land and the effects of climate change. Smart agriculture offers a modern solution that optimizes these agricultural processes through the integration of advanced technologies. Sensors, artificial intelligence, image processing algorithms and robotic systems play critical roles in increasing agricultural productivity as well as ensuring food safety. In particular, wheat classification has a strategic importance both in terms of preserving genetic diversity and developing agricultural practices suitable for environmental conditions. In this study, the performance of various deep learning models was analyzed in detail in order to ensure accurate and fast classification of wheat varieties. Models used; VGG19, InceptionV3, ResNet50, Xception, ResNet101, EfficientNetB5 and EfficientNetB7 and training, test accuracy rates are 96.44%, 97.48%, 95.77%, 94.92%, 95.59%, 97.61% and 95.42%, respectively. The findings revealed that EfficientNetB5 (97.61%) and InceptionV3 (97.48%) models were superior to the other models in terms of wheat grading performance. This success demonstrates that the EfficientNetB5 architecture provides better performance with optimized parameter structure and low computational costs. In addition, the superiority of the InceptionV3 model in identifying complex wheat patterns proves that the model can be used effectively in the field of agricultural image processing. In addition, it was determined that a Ensemble Learning model (98.2%) created by combining these two most successful models gave more successful results than all other models. In particular, the size and variety of agricultural images have been a decisive factor on the performance of the models. The results reveal that accurate wheat classification can minimize economic losses by optimizing the use of resources in agricultural production processes and contribute to the trade of agricultural products in accordance with international standards. This study aims to increase the effectiveness of smart agricultural practices by providing artificial intelligence-based solutions to agricultural classification processes.
Benzer Tezler
- Derin öğrenme ile bitkilerin sulama ihtiyacı tespiti
Deep learning for detection of plant irrigation needs
VOLKAN İNCE
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MERT
- Nesnelerin interneti bağlamında tarımda dijitalleşme ve pazarlama stratejileri
Digitalization and marketing strategies in agriculture in the context of internet of things
MİNE AYDINLIK
Yüksek Lisans
Türkçe
2024
İşletmeBahçeşehir Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. HURİYE ŞEBNEM BURNAZ
- Tarımsal İHA (dron)'ların hassas tarımda kullanımı ve bitki korumadakirolü
Usage of agricultural UAVs (drone) in precision agricultureand their role in plant protection
İBRAHİM AYDINOĞLU
- Türkiye tarım istatistiklerinin yönetimine dair model önerisi
Model proposal for the governance of agricultural statistics in Turkey
YAHYA ALTINKAYA
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriAnkara Yıldırım Beyazıt ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. TUNÇ DURMUŞ MEDENİ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEM TAŞKIN