Yolo algoritması ile meyve tespiti
Fruit detection with yolo algorithm
- Tez No: 956897
- Danışmanlar: DOÇ. DR. MUHAMMET EMİN ŞAHİN
- 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: Yozgat Bozok Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 96
Özet
Tarım sektöründe verimliliği artırmak ve insan gücüne olan bağımlılığı azaltmak amacıyla yapay zeka ve derin öğrenme temelli görüntü işleme tekniklerinin kullanımı giderek yaygınlaşmaktadır. Özellikle meyve tespiti ve hasat otomasyonu gibi uygulamalarda, nesne tespiti algoritmaları büyük önem taşımaktadır. Bu tez çalışmasında, You Only Look Once (YOLO) algoritmasının farklı sürümleri (YOLOv8, YOLOv9, YOLOv10, YOLOv11) karşılaştırmalı olarak incelenmiş ve karmaşık tarımsal ortamlarda kivi meyvesinin yüksek doğrulukla tespiti amaçlanmıştır. Yoğun yaprak örtüsü, gölgeleme, örtüşen meyve kümeleri ve değişken ışık koşulları gibi çevresel zorluklar göz önünde bulundurularak, geleneksel görüntü işleme yöntemlerinin yetersiz kaldığı durumlara çözüm olarak YOLO tabanlı modeller kullanılmıştır. Modeller hem varsayılan yapılandırmalarla hem de hiperparametre optimizasyonları ile eğitilmiş; elde edilen performans çıktıları doğruluk ve işlem kararlılığı kriterleri üzerinden değerlendirilmiştir. Çalışmada, literatürde bulunan ve doğal koşullarda toplanmış 40 görüntü ve 1936 etiket içeren bir veri seti kullanılmıştır. Geliştirilen modellerden YOLOv11s modeli, %95,6 [email protected], %89,1 F1 skoru, %89,9 geri çağırma ve %88,3 kesinlik değerleriyle en yüksek başarıyı göstermiştir. Gerçek zamanlı testler NVIDIA Jetson TX2 platformunda gerçekleştirilmiş ve YOLOv11s modeli 3,33 sn ortalama çıkarım süresi ile gömülü sistemlerle uyumlu, sahaya entegre edilebilir bir çözüm olarak öne çıkmıştır. Sonuç olarak, YOLO tabanlı modeller, hem doğruluk hem de işlem verimliliği açısından kivi meyvesi tespiti için en uygun çözümler olarak öne çıkmıştır. Bu çalışma, tarımsal üretim sahalarında yapay zeka destekli, hızlı ve güvenilir nesne tespiti sistemlerinin geliştirilmesine yönelik önemli bir katkı sunmakta; pratik ve etkili yöntemler ortaya koymaktadır
Özet (Çeviri)
In the agricultural sector, the use of artificial intelligence and deep learning-based image processing techniques is becoming increasingly widespread in order to enhance productivity and reduce dependency on human labor. Particularly in applications such as fruit detection and harvest automation, object detection algorithms play a critical role. In this thesis study, various versions of the You Only Look Once (YOLO) algorithm (YOLOv8, YOLOv9, YOLOv10, YOLOv11) are comparatively analyzed with the aim of accurately detecting kiwifruit in complex agricultural environments. Considering environmental challenges such as dense foliage, shading, overlapping fruit clusters, and varying lighting conditions—where traditional image processing techniques often fall short—YOLO-based models were employed as a solution. The models were trained using both default configurations and optimized hyperparameters, and their performance was evaluated based on accuracy and inference stability criteria. A dataset consisting of 40 naturally captured images and 1,936 labels, sourced from the literature, was used for testing. Among the developed models, YOLOv11s achieved the highest performance with 95.6% [email protected], an F1 score of 89.1%, recall of 89.9%, and precision of 88.3%. Real-time performance tests were conducted on the NVIDIA Jetson TX2 platform, where YOLOv11s demonstrated an average inference time of 3.33 seconds, making it a suitable and field-deployable solution compatible with embedded systems. In conclusion, YOLO-based models have emerged as the most effective solutions for kiwifruit detection in terms of both accuracy and operational efficiency. This study contributes significantly to the development of fast and reliable AI-supported object detection systems in agricultural production environments, offering practical and effective methods.
Benzer Tezler
- Derin Öğrenme Tabanlı Meyve Ayrıştırma Sistemi
Deep learning based fruit separation system
MUHAMMED TELÇEKEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP KUTLU
- Integrating path planning and image processing with UAVs for disease detection and yield estimation in indoor agriculture
Kapalı alan tarımda hastalık tespiti ve verim tahmini için rota planlama ve görüntü işlemenin İHA'larla entegre edilmesi
ONAT ERDOĞMUŞ
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDİNÇ ALTUĞ
- Robot kolu ile hareketli nesnenin segmentasyonu ve kavranması için derin öğrenme tabanlı bir yaklaşım
A deep learning based approach for segmentation and gripping of moving object with robot arm
KÜRŞAD UÇAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN ERDİNÇ KOÇER
- Deep learning based fruit and vegetable recognition for android pos devices
Android pos cihazları için derin öğrenme tabanlı meyve ve sebze tanıma
EGE EKİCİ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Avrupa levreğinin makine öğrenimi ve bilgisayarlı görme tekniği kullanılarak otomatik biyokütle tahmini
Automatic biomass estimation of European sea bass using machine learning and computer vision technique
MERVE BÜŞRA AYIK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜL FATMA TÜRKER