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: Belirtilmemiş.
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
- Implementation of nested dilated-based trans-r2unet for segmentation and adaptive efficientnet with region attention mechanism to classify
Segmentasyon için yuvalanmış genişletilmiş tabanlı trans-r2unet ve bölge dikkat mekanizması ile uyarlanabilir effıcıentnet'in cbct görüntüleri
MOHAMMED KHAMEES KHALAF ALBORISHA
Yüksek Lisans
İngilizce
2025
Altınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Tarımsal Alanlarda Pestisit Taşınımlarının Yapay Zekâ Tabanlı Bir Yaklaşım Geliştirilerek Araştırılması
Investigation of Pesticide Transport in Agricultural Areas by Developing an Artificial Intelligence Based Approach
AHMET SAATÇI
Doktora
Türkçe
2026
Çevre MühendisliğiFırat ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. ERGİN TAŞKAN
- An ensemble method for air quality and pollution classification
Hava kali̇tesi̇ ve ki̇rli̇li̇k sınıflandırması i̇çi̇n bi̇rleşi̇k bi̇r yöntem
NISREEN MOHAMMED MAHMOOD
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA ÖZGE ÖZKÖK
- 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