Derin öğrenme yöntemleri kullanılarak beyaz lahana yaprak hasarlarının tespiti
Detection of white cabbage leaf damages using deep learning methods
- Tez No: 938331
- Danışmanlar: DR. ÖĞR. ÜYESİ VEDAT MARTTİN
- 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: Bilecik Şeyh Edebali Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünya nüfusunun giderek artması, iklim değişikliği gibi nedenlerle gıdaya olan ihtiyacın artmasıyla çiftçilerin daha verimli ve kaliteli ürünler yetiştirmesi gerekmektedir. Yetiştirilen ürünlerde bitkilerdeki hastalık ve zararlıların tespiti büyük önem taşımaktadır. Günümüzde genellikle hastalık ve zararlılar çiftçiler tarafından tespiti gözle kontrol edilerek yapılmaktadır. Bu tespit süreci büyük alanlarda üretim yapan çiftçiler için ciddi zaman almakla birlikte zararlının geç tespit edilmesine de sebep olabilmektedir. Günümüzde pek çok alanda yapay zekanın kullanımı yaygınlaşmaktadır. Tarım sektöründe yapay zekanın kullanımı, son yıllarda önemli ölçüde artış göstermiştir. Hastalıklı yaprakların tespiti, bitki büyüme dönemlerinde bitkinin sağlığı için kritik bir öneme sahiptir. Yapay zekanın kullanımında bitkiye ait görüntü işleme teknikleriyle bitki sağlığı takip edilebilmektedir. Bu çalışmada tarımsal üretimde hastalık tespiti sorununa yönelik olarak görüntü işleme ve derin öğrenme tekniklerini kullanılarak beyaz lahana bitkisine ait elde edilen görüntüler işlenerek You Only Look Once (YOLO) tekniği yardımıyla, hastalık belirtilerinin doğru bir şekilde sınıflandırılması ve lokalize edilmesi hedeflenmiştir. Çalışmada kullanılan veri seti için Bilecik/ Pazaryeri bölgesine ait yetiştirilen 3960 adet beyaz lahana fotoğrafları çekilmiş ve veri etiketlemesi yapılmıştır. Toplam etiket sayısı 75000 civarındadır. Etiketlenen veriler Colab platformu yardımıyla Python dili kullanılarak YOLO tekniğiyle eğitip sınıflandırılmıştır. Ağ modeli 500 devir (epoch) eğitilmiştir. Model etiket alanları kullanılarak hasarlı bölge oranı yüzde olarak hesaplanmıştır. Eğitilen model hasarlı bölgeleri %95 oranında doğru şekilde tespit ettiği görülmüştür. Önerilen yöntemin, tarımsal verimliliği artırma, hastalıkların yayılmasını önleme ve genel olarak tarım teknolojilerinin ilerlemesine katkı sağlama potansiyeline sahip olduğu düşünülmektedir.
Özet (Çeviri)
As the world population increases and the need for food increases due to climate change, farmers need to grow more efficient and higher quality products. Detection of diseases and pests in the products grown is of great importance. Today, farmers usually detect diseases and pests by visual inspection. This detection process takes a lot of time for farmers who produce in large areas and can also cause late detection of the pest. Nowadays, the use of artificial intelligence is becoming widespread in many areas. The use of artificial intelligence in the agricultural sector has increased significantly in recent years. Detection of diseased leaves is of critical importance for the health of the plant during plant growth periods. In the use of artificial intelligence, plant health can be monitored with image processing techniques of the plant. In this study, it is aimed to accurately classify and localize disease symptoms by processing images obtained from white cabbage plants using image processing and deep learning techniques for the problem of disease detection in agricultural production with the help of You Only Look Once (YOLO) technique. For the dataset used in the study, 3960 white cabbages grown in Bilecik/Pazaryeri region were photographed and data labeling was done. The total number of labels is around 75000. The labeled data was trained and classified with the YOLO technique using the Python language with the help of the Colab platform. The network model was trained for 500 epochs. The damaged area ratio was calculated as a percentage using the model label fields. It was observed that the trained model correctly detected the damaged areas by 95%. It is thought that the proposed method has the potential to increase agricultural productivity, prevent the spread of diseases and contribute to the advancement of agricultural technologies in general.
Benzer Tezler
- Derin öğrenme yöntemi kullanılarak görüntü-tabanlı türk işaret dili tanıma
Image-based turkish sign language recognition using deep learning method
ELİF EZEL
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KAAN BAYKAN
- Transforming feedback control systems on whiteboard into Matlab via a deep learning based intelligent system
Derin öğrenme tabanlı akıllı bir sistem ile beyaz tahtadaki geribeslemeli kontrol sistemlerinin Matlab ortamına aktarılması
DORUKHAN ERDEM
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Deep learning approaches for multiple sclerosis lesion segmentation using multi-sequence 3D MR images
Çok sekanslı 3B MR görüntüleri kullanılarak multiple skleroz lezyon bölütlemesi için derin öğrenme yaklaşımları
BEYTULLAH SARICA
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Segmentation of colon nuclei images using deep learning
Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi
ATAKAN ÖZKAN
Yüksek Lisans
İngilizce
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Beyaz kan hücrelerinin evrişimli sinir ağları ile sınıflandırılması ve bölütlenmesi
Classification and segmentation of white blood cells using convolutional neural networks
ŞEYMA NUR ÖZCAN
Yüksek Lisans
Türkçe
2022
BiyomühendislikBaşkent ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANSEL UYAR
DR. ÖĞR. ÜYESİ GÖKAY KARAYEĞEN