Geri Dön

UAV remote sensing for disease detection in potato leaf

Patates yaprağında hastalık tespiti için İHA uzaktan algılama

PDF İndir

  1. Tez No: 937758
  2. Yazar: PELİNSU DEMİRCİ
  3. Danışmanlar: PROF. DR. CAROLİNE NİCHOL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Insansiz hava araçlar, Uzaktan algilama, Hassas Tarim, Cok bantli görüntüler, Hastalin Tespiti, Hastalin Tespitinde Makine Ögrenimi, Unmanned aerial vehicles, Remote sensing, Precision Agriculture, Multispectral imagery, Disease Detection, Machine Learning ni Disease Detection
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: The University of Edinburgh
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Coğrafi Bilgi Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 94

Özet

Erken teshis, hastalklarin yayilmasini önlemek ve tarimsal retimdeki potansiyel zarari en aza indirmek için hayati öneme sahip oldugundan ötürü hastaligin saptanmasi, hassas tarimin en yaygin uygulamalarindan biridir. Drone tabanli uzaktan algilama, genis tarim alanlarini izleyebilir ve bitki örtüsündeki veya termal modellerdeki degisiklikler gibi mahsul sagligindaki anormallikleri belirleyebilir. Bu calisma, Iskoçya'daki SASA Gogarbank iftliginde virüslerden etkilenmis (hastalkli) patates yapraklarin tespit etmek için Kirmizi, Yesil, Mavi ve Kirmizi- kenarli bantlar kullanarak IHA görüntülerini (Mica Sense Red Edge-M sensörü) incelemektedir. Patates bitkilerinin bulunduju tarlada alçak uçus mesafesinden ötürü çözünürlük yüksek olsa da saglikli ve hastalikli olanlar görsel olarak ayirt etmek neredeyse imkansizdir. Bu nedenle bitkilerin yansitma profilleri kullanilarak tarimsal alanlarda yaygin olarak kullanilan bitki örtüsü indeksleri (VI) hesaplanmistir. Bu hesaplamalar sonucunda SAVI'nin toprak piksellerini, VARI'nin ise sicek piksellerini vurguladigi görülmüstür. Bu dogrultuda bu iki indeks, SAVI ve VARI, siniflandirma öncesinde verideki yaprak dist pikselleri silmek için kullanilmistir. Ayrica NDVInin en yüksek standart sapmaya sahip oldugu tespit edilmis ve bu indeks ile bant yijini saglanmis, NDVI ise 6. bant olarak eklenmistir. Farkli patates sesitlerinin bulundugu çalisma alaninda her bir bitki türünde tespit edilen virüs sayisi ve gestler arasindaki tür farkliliklar nedeniyle calisma alaninda 6 farkli patates bitki türü segilerek ROller belirlenmistir. SASA'nin rehberliginde saglanan laboratuvar sonuglarina göre hangi bitkinin hastalkli hangisinin saglikli oldugu bilinmektedir. Dolayisiyla, nesne tabanli denetimli, K-en yakin komsu (KNN) siniflandirmasi gergeklestirilmistir. Denetlendiginden ötürü egitim verisi süreci ve dogruluk degerlendirmesi için SASA tarafindan saglanan kilavuz kullanilmistir. Siniflandirma sonucunda her bir ROl için genel olarak %85' ni üzerinde bir dogruluk elde edilmistir. Sonuçlar, ¡HA uzaktan algilama ve hesaplanan bitki örtüsü indekslerinin hastalikli ve saglikli yapraklari ayirt edebildigini göstermektedir. Ayrica, hastalkli ve saglikli yaprak arasindaki yansima farki en o k kirmizi kenar bandinda gözlendiginden, kirmizi kenarli sensörler yapraklari ayirt etmede daha iyi sonuçlar verme egilimindedir.

Özet (Çeviri)

Disease detection is one of the most common applications of precision agriculture since early detection is vital to prevent the spread of diseases and minimize the potential damage to agricultural production. Drone-based remote sensing can monitor large agricultural areas and identify anomalies in crop health, such as changes ni vegetation index or thermal patterns. This study examines the use of UAV images (Mica Sense Red Edge-M sensor) to detect virus-affected (diseased) potato leaves at SASA Gogarbank Farm in Scotland using multispectral bands: Red, Green, Blue, Near-infrared, and Red-edge. Although the resolution si high due to the low flight distance ni the field where potato crops are located, it si almost impossible to visualy distinguish between healthy and diseased ones. Therefore, vegetation indices (VIs), widely used in agronomic fields, were calculated using the plants' reflectivity profiles. As a result of these calculations, it has been observed that SAVI emphasizes soil pixels, and VARI emphasizes flower pixels. In this direction, these two indexes, SAVI and VARI, are used to delete nonleaf pixels in the data before classification. In addition, it has been determined that NDVI has the highest standard deviation, and the band stack has been made with this index, and NDVI has been added as the 6th band. ROls were determined by selecting 6 different potato plant species in the study area since the number of viruses detected in each plant species and the type differences between varieties in the study area where there were different potato varieties. According to the laboratory results provided by the SASA's guidance, ti is known which plant is diseased and which is healthy. Accordingly, an object-based supervised, K-nearest neighbor (KNN) classification was performed. As it is supervised, the guideline provided by SASA is used for the training data process and the accuracy assessment. As a result of the classification, an accuracy of over 85% was generally obtained for each ROl. The results show that the UAV remote sensing and computed vegetation indices can distinguish between diseased and healthy leaves. Also, since the difference in reflectance between the diseased and healthy leaf is observed the most in the Red-edge band, the Red-edge sensors tend to give better results ni differentiating the leaves.

Benzer Tezler

  1. Tez No

    739637

    Derin öğrenme yöntemleri ve yapay sinir ağı tabanlı NDVI değerleri ile çeltik bitkisi hastalıkların tespiti

    Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values

    İRFAN ÖKTEN

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR YÜZGEÇ

  2. Tez No

    573237

    İnsansız hava araçlarında çok bantlı kamera entegrasyonu ve tarımsal uygulamaları

    Multispectral camera integrations and agricultural applications with unmanned aerial vehicle

    OSMAN VİLLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. CENK DÖNMEZ

  3. Tez No

    780882

    Usage of machine learning methods on precision agriculture applications

    Hassas tarim uygulamalari üzerinde makine öğrenmesi teknikleri kullanimi

    YEKTA CAN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MUSTAFA YENİAD

  4. Tez No

    608068

    Design and development of an unmanned aerial and ground vehicles for precision pesticide spraying

    Hassas tarımsal ilaçlama için insansız hava ve kara araçları tasarlanması ve geliştirilmesi

    FATİH AKKOYUN

    Doktora

    İngilizce

    İngilizce

    2019

    Makine MühendisliğiAydın Adnan Menderes Üniversitesi

    Makine Ana Bilim Dalı

    PROF. DR. İSMAİL BÖĞREKCİ

  5. Tez No

    726170

    Simulation of airborne and UAV remote sensing data with computer graphics tools

    Havadan ve İHA uzaktan algılama verilerinin bilgisayar grafik araçları ile simülasyonu

    EDA TSUJIMOTO

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHA ŞEN

Geri Dön