Derin öğrenme algoritmaları kullanılarak sarı pas (Puccinia striiformis f.sp. tritici) hastalığının tespiti
Detection of yellow rust (Puccinia striiformis f.sp. tritici) disease using deep learning algorithms
- Tez No: 955800
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH ÖLMEZ, DOÇ. DR. KEMAL ADEM
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sivas Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Tarım Bilimleri Ana Bilim Dalı (Disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 55
Özet
Bu çalışma, buğday üretiminde verim ve kalite kayıplarına yol açan sarı pas hastalığının tarla koşullarında hızlı, güvenilir ve düşük maliyetli tespiti amacıyla derin öğrenme tabanlı bir görüntü sınıflandırma yöntemi geliştirmeyi hedeflemektedir. Araştırma materyali, 2023 2024 üretim sezonunda Sivas Bilim ve Teknoloji Üniversitesi Tarımsal Ar Ge Merkezi'nde yetiştirilen farklı buğday genotiplerinden elde edilen sağlıklı ve sarı pas ile enfekte olmuş buğday yaprak görüntülerini içermektedir. Görüntüler iPhone 12 model telefon ile çekilmiş olup toplam 1948 yaprak görüntüsünün 376'sı sağlıklı, 1572'si sarı pas hastalığına ait görüntülerden oluşmaktadır. Görüntülerin sınıflandırılması SBTÜ Bitki Koruma Laboratuvarı'nda gerçekleştirilmiştir. Çalışma, Google Colab sanal ortamında Python programlama dili kullanılarak yürütülmüştür. Veriler 75x75 piksel boyutuna ölçeklendirilmiş, sınıf dengesizliğini gidermek için sağlıklı veri setine döndürme, kaydırma ve yakınlaştırma işlemlerini içeren veri artırma teknikleri uygulanmıştır. Verilerin eğitilmesi için derin öğrenme yöntemlerinden ESA kullanılmıştır. Çalışmada Keras kütüphanesindeki 40 ön-eğitimli model hızlı bir şekilde test edilmek amacıyla 10 epoch boyunca test edilmiştir. Ön değerlendirme sonucunda MobileNet, Xception ve EfficientNetV2B2 modelleri diğer modellere göre öne çıkmıştır. İkinci aşamada başarılı olan bu 3 model farklı aktivasyon fonksiyonları (ReLU, GELU, SWISH, LeakyRELU) ile yeniden eğitilmiştir. Eğitim sonucunda MobileNet modeli LeakyReLU aktivasyon fonksiyonu kombinasyonu ile %97,69 doğruluk oranı ile öne çıkmıştır. Son aşamada ise derin öğrenme modellerinin daha kararlı sonuçlar elde edebilmesi ve sonuçların iyileştirilmesi amacıyla epoch sayısı 25'e çıkartılarak farklı optimizerler ile test edilmiştir. Bu aşamanın sonucunda en başarılı sonuç MobileNet+Relu+Nadam kombinasyonuyla %98,21 doğruluk değerine ulaşılmıştır.
Özet (Çeviri)
This study aims to develop a deep learning-based image classification method for fast, reliable and low-cost detection of yellow rust disease, which causes yield and quality losses in wheat production, in field conditions. The research material includes healthy and yellow rust-infected wheat leaf images obtained from different wheat lines grown at Sivas Science and Technology University Agricultural R&D Center in the 2023-2024 production season. The images were taken with an iPhone 12 model phone and a total of 1948 leaf images consist of 376 healthy and 1572 yellow rust disease images. The classification of the images was carried out in SBTÜ Plant Protection Laboratory. The study was carried out using the Python programming language in the Google Colab virtual environment. The data were scaled to 75x75 pixels, and data augmentation techniques including rotation, shifting and zooming were applied to the healthy data set to eliminate class imbalance. ESA, one of the deep learning methods, was used for training the data. In the study, 40 pre-trained models in the Keras library were tested for 10 epochs in order to be tested quickly. As a result of the preliminary evaluation, MobileNet, Xception and EfficientNetV2B2 models stood out compared to other models. In the second stage, these 3 successful models were re-trained with different activation functions (ReLU, GELU, SWISH, LeakyRELU). As a result of the training, the MobileNet model stood out with 97.69% accuracy rate with the LeakyReLU activation function combination. In the last stage, in order for the deep learning models to obtain more stable results and to improve the results, the number of epochs was increased to 25 and tested with different optimizers. As a result of this stage, the most successful result was achieved with the MobileNet + Relu + Nadam combination with 98.21% accuracy value.
Benzer Tezler
- Makine öğrenmesi algoritmaları kullanılarak modem verisi üzerinden müşteri memnuniyetinin tahmini
Estimation of customer satisfaction using machine learning algorithms over modem
YASİN SARI
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İBRAHİM ZOR
- Seralardaki zararlıların derin öğrenmeye dayalı tekniklerle tespiti ve popülasyon tahmini
Pest detection based on deep learning techniques and population estimation in greenhouses
GÜLHAN ŞİKAROĞLU
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN UĞUZ
PROF. DR. İSMAİL KARACA
- Deep learning for digital pathology
Dijital patoloji için derin öğrenme
CAN TAYLAN SARI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Wavedrive: a pipeline for gesture recognition using hands' orientation and polar coordinates
Wavedrive: ellerin yönünü ve polar koordinatları kullanarak jest tanıma için bir boru hattı
ABDÜLKERİM SİPAHİ
Yüksek Lisans
İngilizce
2025
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDİNÇ ALTUĞ
- Swarm fighter aircraft control with deep reinforcement learning approach
Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü
METİN SARI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN