Detection and classification of olive quality and diseases by deep learning methods
Zeytin kalitesi ve hastalıklarının derin öğrenme yöntemleri ile belirlenmesi ve sınıflandırılması
- Tez No: 935397
- Danışmanlar: DR. ÖĞR. ÜYESİ CAN ATILGAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 48
Özet
İklim değişikliği ve pandemilerin tetiklediği artan küresel gıda talebi, gıda güvenliği açısından önemli riskler oluşturmaktadır. Tarımda bu zorluklarla başa çıkmak, her zamankinden daha kritik bir hale gelmiştir. Son çalışmalar, gelişmiş görüntü işleme teknikleri kullanarak bitki hastalıklarının sınıflandırılmasına odaklanmıştır. Bu modeller, kontrollü laboratuvar ortamlarında yüksek doğruluk oranlarına ulaşsa da, gerçek dünya koşullarında benzer performansı sürdürmek önemli bir zorluk olmaya devam etmektedir. Bu çalışma, derin öğrenme ve anomali tespiti tekniklerini entegre ederek zeytin yapraklarındaki Tavus Gözü Hastalığı'nı otomatik olarak sınıflandırmak için bir yöntem sunmaktadır. Kontrollü bir laboratuvar ortamında iyi bir şekilde etiketlenmiş veri seti üzerinde eğitilmiş bir Evrişimli Sinir Ağı (CNN), gerçek dünya yaprak görüntüleri kullanılarak değerlendirilmiştir. Ancak model, gerçek dünya koşullarının karmaşıklığı nedeniyle tarladan toplanan yaprakları sınıflandırmada sınırlamalarla karşılaşmıştır. Bu sorunu çözmek için, Segment Anything Model (SAM) kullanılarak yaprak segmentasyonu gerçekleştirilmiş ve ardından bir otokodlayıcı (autoencoder) ile anomali tespiti yapılarak yaprak olmayan unsurlar temizlenmiştir. Laboratuvar temelli CNN modeli, bu iyileştirilmiş veri seti üzerinde test edilmiş ve sonuçlar analiz edilmiştir. Son olarak, manuel olarak etiketlenmiş ve iyileştirilmiş veri seti kullanılarak yeni bir CNN modeli eğitilmiş ve sınıflandırma performansı önceki yöntemlerle karşılaştırılmıştır. Sonuçlar, otokodlayıcı tarafından filtrelenen veri setinin, laboratuvar temelli CNN modelini eğitmek için kullanılan veri setiyle karşılaştırılabilir doğruluk seviyelerine ulaştığını göstermiştir. Bu bulgular, otomatik segmentasyon ve filtreleme tekniklerinin, sınıflandırma doğruluğunu korurken manuel etiketleme ihtiyacını önemli ölçüde azaltabileceğini ortaya koymaktadır. Bu çalışma, kontrollü laboratuvar ortamlarında eğitilmiş modellerin gerçek dünya koşullarına uygulanmasındaki zorlukları vurgulamaktadır. Ayrıca, otomatik ön işleme tekniklerinin, tarımda yapay zeka destekli hastalık sınıflandırmasının ölçeklenebilirliğini ve güvenilirliğini artırmadaki kritik rolünü vurgulamaktadır.
Özet (Çeviri)
The increasing global demand for food, driven by climate change and pandemics, poses significant risks to food security. Addressing these challenges in agriculture has become more critical than ever. Recent studies have focused on classifying plant diseases using advanced image processing techniques. While these models often achieve high accuracy in controlled laboratory environments, maintaining similar performance in real-world conditions remains a significant challenge. The study introduces an automated classification approach for Peacock Eye Disease in olive leaves by integrating deep learning and anomaly detection techniques. A Convolutional Neural Network (CNN) trained on a well-annotated dataset from a controlled laboratory setting was evaluated using real-world leaf images. However, the model exhibited limitations when classifying field-collected leaves due to the complexities of real-world conditions. To address this, leaf segmentation was performed using the Segment Anything Model (SAM), followed by anomaly detection through an autoencoder to remove non-leaf elements. The laboratory-based CNN model was then tested on this refined dataset, and its results were analyzed. Finally, a new CNN model was trained using the manually labeled, refined dataset, and its classification performance was compared with previous methods. The results demonstrated that the dataset filtered by the autoencoder achieved accuracy levels comparable to the dataset used to train the laboratory-based CNN model. These findings indicate that automated segmentation and filtering techniques can significantly reduce the need for manual annotation while maintaining classification accuracy. The study underscores the challenges of applying models trained in controlled laboratory settings to real-world conditions. It further emphasizes the critical role of automated preprocessing techniques in enhancing the scalability and reliability of AI-driven agricultural disease classification.
Benzer Tezler
- Zeytin hastalıklarının derin öğrenme ile tespiti
Detection of olive fruit diseases with deep learning
ÇAĞLA TOPRAK ERDURAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBandırma Onyedi Eylül ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. SERHAT KILIÇARSLAN
- Zeytin renk ve doku bozukluğunun yapay zeka modelleri ile tespit edilmesi
Detection of olive color and texture tissue with artificial intelligence models
DOĞUKAN TOPALLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBandırma Onyedi Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜLEYMAN GÖKHAN TAŞKIN
- Verification of ingredient labels in high-risk oils and fruit juices by using vibrationalspectroscopy combined with pattern recognition analysis
Yüksek riskli yağlar ve meyve sularının içerik etiketlerinin titreşim spektroskopisi ve örgü tanıma analizi ile doğrulanması
DİDEM PEREN AYKAS
- Bazı yerli zeytin çeşitlerinden elde edilen natürel sızma zeytinyağlarında etil alkol ve etil ester içeriklerinin belirlenmesi natürel sızma zeytinyağlarında etil alkol ve etil ester içeriklerinin belirlenmesi
Determination of ethyl alcohol and ethyl esters content in extra virgin olive determination of ethyl alcohol and ethyl esters content in extra virgin olive oils oils obtained from certain local olive varieties
UMMAHAN TİBET
Doktora
Türkçe
2025
Gıda MühendisliğiManisa Celal Bayar ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. PELİN GÜNÇ ERGÖNÜL
- Görüntü işleme ve sinir ağları ile bitki gelişim analizlerinin yapılması için yöntemlerin belirlenmesi: zeytin örneği
Determination of methods for plant growth analysis with image processing and neural networks: the olive example
SABRİ MUMCU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL GÜVENOĞLU
