Kivi meyvesinin LiDAR nokta bulutu kullanılarak destek vektör makineleri algoritması ile otomatik tespiti
Automatic detection of kiwi fruit with support vector machines using LiDAR point cloud
- Tez No: 938948
- Danışmanlar: DOÇ. DR. MUSTAFA DİHKAN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tarımda otomasyonun gelişmesiyle birlikte meyvelerin sağlık durumunun gözlemlenmesi, rekolte tahmini ve otomatik bir şekilde hasat edilebilmesi gibi tarımsal uygulamaların yapılabilmesi için meyvelerin mekânsal konumlarının belirlenmesi hassas tarım açısından büyük önem taşımaktadır. Tez çalışmasında, bir kivi ağacına ait LiDAR nokta bulutu verileri kullanılarak, Destek Vektör Makinesi (DVM) algoritması ile kivi ağacına ait kivi-kivi dışı noktalarının segmentasyonu hedeflenmiş ve tarım sektöründe rekolte tahminine katkıda bulunmak için makine öğrenme yöntemlerinden faydalanılması amaçlanmıştır. LiDAR verisinden elde edilen kırmızı, yeşil ve mavi renk değerleri bilgileri ve her nokta için X, Y, Z yönlerinde hesaplanan yüzey normal vektörü değerleri DVM' ye girdi veri olarak sunulmuş ve sınıflandırma için eğitim işlemi gerçekleştirilmiştir. Çalışmada, yersel LİDAR tarayıcısı ile taranmış 1 adet kivi ağacına ait nokta bulutu kullanılmıştır. Nokta bulutu verisi 6 parçaya bölünmüş ve 2 tanesi DVM eğitim, 4 tanesi ise test işlemi için kullanılmıştır. DVM eğitiminde, ilgili veriye en uygun ayar parametrelerinin tespiti için Grid Search Optimizasyon algoritmasından faydalanılmış ve eğitim işlemi gerçekleştirilmiştir. Eğitim işlemi için doğruluk değerleri; Genel Doğruluk, Kesinlik, Geri Çağırma, F1-Skor ve Birleşimlerin Kesişimi doğruluk metrikleri için sırasıyla 0.95, 0.88, 0.86, 0.87 ve 0.79 olarak hesaplanmıştır. Test işlemi, kivi ağacına ait 4 parça nokta bulutu ile gerçekleştirilmiş olup, aynı doğruluk metrikleri için sırasıyla ortalama doğruluk değerleri; 0.95, 0.80, 0.86, 0.82 ve 0.73 olmak üzere hesaplanmıştır.
Özet (Çeviri)
With the advancement of automation in agriculture, determining the spatial locations of fruits has become crucial for precision agriculture in order to enable agricultural applications such as monitoring fruit health, yield estimation, and automated harvesting. In this thesis study, LiDAR point cloud data of kiwi trees were used to segment kiwi and non-kiwi points on the tree using the Support Vector Machine (SVM) algorithm. The study aimed to contribute to yield estimation in the agricultural sector by utilizing machine learning methods. The red, green, and blue color values obtained from the LiDAR data, along with the surface normal vector values calculated in the X, Y, and Z directions for each point, were used as input data for the SVM, and a training process was conducted for classification. In this study, the point cloud of a single kiwi tree scanned with a terrestrial LiDAR scanner was used. The point cloud data was divided into six parts, with two used for SVM training and four for testing. During the SVM training process, the Grid Search Optimization algorithm was utilized to determine the most suitable hyperparameters for the given data, and the training was performed accordingly. The accuracy values for the training process were calculated as 0.95 for Overall Accuracy, 0.88 for Precision, 0.86 for Recall, 0.87 for F1-Score, and 0.79 for Intersection over Union (IoU). The testing process was conducted using four parts of the kiwi tree's point cloud, and the average accuracy values for the same metrics were calculated as 0.95, 0.80, 0.86, 0.82, and 0.73, respectively.
