Görüntü işleme tabanlı derin öğrenme ve makine öğrenmesi yaklaşımlarıyla yabancıotların gelişim dönemlerinin sınıflandırılması
Classification of weed developmental stages using image processing based deep learning and machine learning approaches
- Tez No: 955709
- Danışmanlar: PROF. DR. EYYÜP GÜLBANDILAR, PROF. DR. AHMET ULUDAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Donanımı Bilim Dalı
- Sayfa Sayısı: 93
Özet
Yabancıotların doğru sınıflandırılması, tarımsal üretimde verimliliği artırmak ve ekosistem üzerindeki olumsuz etkileri azaltmak açısından büyük önem taşımaktadır. Bu tez çalışmasında, yabancıotların gelişim dönemlerini sınıflandırmak amacıyla geleneksel görüntü işleme teknikleri ve Bölge İlgi Alanı (ROI) yöntemi ile sayısallaştırılan özellikler şeklindeki iki farklı yaklaşım kullanılarak değerlendirilmiştir. Araştırma kapsamında, Türkiye'nin Afyonkarahisar-Sinanpaşa Ovası'ndan toplanan tohumlarla yetiştirilen yabancıotların, yaprak görüntü özellikleri sayısallaştırılarak toplamda 448 örnek kayıt elde edilmiştir. Çalışmanın yöntemsel açıdan iki farklı yaklaşımı bulunmaktadır. İlk yaklaşımda, ROI yöntemiyle sayısallaştırılan özellikler üzerinden ANFIS, MLPNN, SVM, kNN, Naive Bayes, Karar Ağacı, Rastgele Orman, Derin Öğrenme ve Lojistik Regresyon gibi klasik makine öğrenmesi algoritmaları uygulanmıştır. NB, ANFIS ve LR modelleri beklenen başarıyı gösteremezken, RF, MLPNN, DT, Keras ve SVM modelleri yüksek doğrulukla sınıflandırma yapabilmiştir. İkinci yaklaşımda, DenseNet, EfficientNet, GoogleNet, Xception ve SqueezeNet gibi derin öğrenme tabanlı modeller kullanılarak yabancıotların gelişim aşamaları görüntü işleme teknikleri ile sınıflandırılmıştır. Performans ölçütleri, EfficientNet modeli %89,55 doğruluk oranı ile en yüksek performansı sergilemiştir. Sonuçlar, yabancıotların gelişim aşamalarını belirlemede hem görüntü işleme teknikleri hem de ROI ile sayısallaştırılmış özelliklerin başarılı bir şekilde kullanılabileceğini göstermektedir. Bu çalışma, tarımsal yabancıot kontrolüne yönelik yapay zekâ destekli yöntemlerin geliştirilmesine önemli katkılar sunmaktadır.
Özet (Çeviri)
Accurate classification of weeds is crucial for increasing agricultural productivity and minimizing negative environmental impacts. This thesis evaluates two different approaches for classifying weed growth stages: traditional image processing techniques and feature extraction using the Region of Interest (ROI) method. Within the scope of the research, the leaf image characteristics of weeds grown from seeds collected in the Afyonkarahisar-Sinanpaşa Plain of Türkiye were digitized, yielding a total of 448 recorded samples. This study aims to facilitate the quantitative analysis of morphological traits in plant species. The study employs two distinct methodological approaches. In the first approach, classical machine learning algorithms such as ANFIS, MLPNN, SVM, kNN, Naive Bayes, Decision Tree, Random Forest, Deep Learning, and Logistic Regression are applied to features quantified using the ROI method. While the NB, ANFIS, and LR models did not achieve the expected performance, the RF, MLPNN, DT, Keras, and SVM models successfully performed classification with high accuracy. In the second approach, deep learning-based models such as DenseNet, EfficientNet, GoogleNet, Xception, and SqueezeNet are employed to classify the developmental stages of weeds using image processing techniques. Performance metrics indicate that the EfficientNet model exhibited the highest performance with an accuracy rate of 89.55%. The results demonstrate that both image processing techniques and ROI-based feature extraction can be successfully used to determine weed growth stages. This study provides valuable contributions to the development of artificial intelligence-based weed control systems in agriculture.
Benzer Tezler
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Emotion aware artificial intelligence for cognitive systems
Bilişsel sistemler için duygu farkındalıklı yapay zeka
DEĞER AYATA
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Aydınlatmanın görüntü işleme problemlerine etkisinin yapay zeka teknikleri kullanılarak analizi
Analysis of the effect of lighting on image processing problems using artificial intelligence techniques
BİRKAN BÜYÜKARIKAN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ÜLKER
- Developing a smart method for real -time brain tumor localization and segmentation on ct ımages using hybrid techniques and yolo
Hibrit teknikler ve yolo kullanilarak bt görüntülerinde gerçek zamanli beyin tümörü lokalizasyonu ve segmentasyonu için akilli bir yöntem geliştirilmesi
NUSAIBAH KHALID ABDULMAJEED AL-SALIHI
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ULUS ÇEVİK
PROF. DR. TURGAY İBRİKÇİ