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: 65
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
- 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
- Metrik öğrenme yöntemiyle deniz platformu konumlarının radar ve optik görüntüler üzerinden tahmin edilmesi
Ship location estimation from radar and optic images using metric learning
MUHAMMED MARUF KILIÇ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF SİNAN AKGÜL
- Görüntü işleme ile porselen izolatör hasarlarının tespiti
Detection of porcelain insulator damages by image processing
EMİNE DERE
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHADIR AKBAL
- 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
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ