Zeytin hastalıklarının derin öğrenme ile tespiti
Detection of olive fruit diseases with deep learning
- Tez No: 958791
- Danışmanlar: DOÇ. DR. SERHAT KILIÇARSLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bandırma Onyedi Eylül Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Bu tez çalışmasında, zeytin meyvesinde yaygın olarak görülen iki önemli hastalığın zararlılara bağlı fiziksel bozulmalar ve fungal enfeksiyonlara dayalı deformasyonların görsel veriler üzerinden derin öğrenme yöntemleriyle sınıflandırılmasına yönelik kapsamlı bir analiz gerçekleştirilmiştir. Balıkesir ili Bandırma ilçesindeki zeytinliklerden toplanan 1644 meyve örneği“sağlıklı”,“zeytin sineği ısırıklı”ve“mantar hastalıklı”olmak üzere üç sınıfa ayrılmıştır. Tüm meyveler, sabit ışık koşullarında özel olarak tasarlanmış bir görüntüleme kutusunda fotoğraflanmış; ardından segmentasyon, eşikleme, morfolojik işlemler ve nesne yerelleştirme gibi görüntü işleme adımlarıyla sınıflandırmaya hazır hâle getirilmiştir. Modelleme sürecinde, dokuz farklı CNN tabanlı önceden eğitilmiş mimari (VGG16, ResNet50, InceptionV3, DenseNet121, vb.) ile birlikte altı adet dikkat tabanlı Transformer modeli (ViT, BEiT, DeiT III, MobileViT, LeViT, MaxViT) kullanılmış; her biri on farklı optimizasyon algoritması ile ayrı ayrı eğitilerek sınıflandırma performansları karşılaştırmalı olarak analiz edilmiştir. Bunun yanı sıra, MetaFormer iskeletine dayalı CaFormer, ConvFormer ve IdentityFormer gibi mevcut modeller test edilmiş ve bu yapılarla aynı veri seti üzerinde sistematik karşılaştırmalar gerçekleştirilmiştir. Çalışmanın özgün katkılarından biri olarak, MetaFormer mimarisinden esinlenilerek altı yeni hibrit yapı önerilmiştir. Bu yapılar, konvolüsyonel, rastgele, kimliksel ve Transformer bloklarının farklı kombinasyonlarıyla oluşturulmuş ve sınıflandırma doğruluğu, model karmaşıklığı ve eğitim süresi gibi çok boyutlu ölçütlerle değerlendirilmiştir. Ayrıca, DeformationScore adını taşıyan ve lokal doku yoğunluğu ile kenar duyarlılığına dayalı skor üretimi gerçekleştiren yeni bir token mixer modülü tasarlanmış; MetaFormer çerçevesine entegre edilerek DeformationScoreFormer adlı tamamen yeni ve özgün bir model ortaya konmuştur. Model performansları; doğruluk, F1 skoru, karışıklık matrisi ile eğitim ve kayıp eğrileri gibi metrikler üzerinden ayrıntılı olarak değerlendirilmiştir. Elde edilen sonuçlar hem klasik CNN tabanlı modellerin hem de Transformer ve MetaFormer mimarilerinin sınırlı veri koşullarında dahi zeytin meyvesi hastalıklarını yüksek doğrulukla sınıflandırabildiğini ortaya koymuştur. Özellikle önerilen hibrit MetaFormer yapılarının, bazı durumlarda daha düşük hesaplama maliyetiyle daha yüksek sınıflandırma başarımı sunduğu gözlemlenmiştir. Bu çalışma, zeytin üretiminde hastalık tespiti ve kalite kontrol süreçlerine yönelik derin öğrenme tabanlı yaklaşımların etkinliğini göstermekte; aynı zamanda tarımsal görüntü analizinde model seçimi ve mimari tasarım kararlarına rehberlik eden bir kaynak sunmaktadır.
Özet (Çeviri)
This thesis presents a comprehensive analysis aimed at classifying two major diseases commonly observed in olive fruits physical damage caused by pests and deformations due to fungal infections through deep learning techniques applied to visual data. A total of 1,644 olive fruit samples were collected from orchards in the Bandırma district of Balıkesir province and categorized into three classes:“healthy,”“pest-damaged,”and“fungal-infected,”based on expert evaluation. All samples were photographed under controlled lighting conditions using a specially designed imaging box. The resulting images were then processed using segmentation, thresholding, morphological operations, and object localization steps to prepare them for classification. In the modeling phase, nine different pre-trained CNN-based architectures (e.g., VGG16, ResNet50, InceptionV3, DenseNet121) and six attention-based Transformer models (ViT, BEiT, DeiT III, MobileViT, LeViT, MaxViT) were employed. Each model was trained with ten different optimization algorithms and comparatively evaluated in terms of classification performance. Additionally, existing MetaFormer-based models such as CaFormer, ConvFormer, and IdentityFormer were tested on the same dataset for systematic comparison. One of the key contributions of this study is the proposal of six novel hybrid architectures inspired by the MetaFormer framework. These architectures combine convolutional, random, identity, and Transformer blocks in various configurations, and were assessed using multi-dimensional criteria including classification accuracy, architectural complexity, and training time. Furthermore, a novel token mixer module named DeformationScore—which generates scores based on local texture density and edge sensitivity—was designed and integrated into the MetaFormer structure to form an entirely new model called DeformationScoreFormer. Model performances were thoroughly evaluated using metrics such as accuracy, F1-score, confusion matrix, and training-validation loss curves. The results demonstrated that both conventional CNN-based models and Transformer/MetaFormer-based architectures can accurately classify olive fruit diseases even under limited data conditions. Notably, the proposed hybrid MetaFormer models outperformed some existing models by achieving higher accuracy with lower computational cost in certain scenarios. This study highlights the effectiveness of deep learning approaches for disease detection and quality control in olive production and serves as a valuable resource for model selection and architectural design in agricultural image analysis.
Benzer Tezler
- Detection and classification of olive quality and diseases by deep learning methods
Zeytin kalitesi ve hastalıklarının derin öğrenme yöntemleri ile belirlenmesi ve sınıflandırılması
CENGİZ MEHMET ALBOYACI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAN ATILGAN
- Zeytin yaprağındaki hastalıkların derin öğrenme teknikleri kullanılarak sınıflandırılması
Classification of olive leaf diseases using deep learning techniques
NEŞE UYSAL
Yüksek Lisans
Türkçe
2020
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN UĞUZ
- Bedensel ve ruhsal bozukluklarıyla sıra dışı bir imparator: Tiberius Claudius Caesar Augustus Germanicus (Claudius)
An unusual emperor with physical and mental disorders: Tiberius Claudius Caesar Augustus Germanicus (Claudius)
EBRU DURMAZ AKYÜZ
Yüksek Lisans
Türkçe
2023
BiyografiAydın Adnan Menderes ÜniversitesiTarih Ana Bilim Dalı
PROF. DR. HÜSEYİN ÜRETEN
- Tip 1 hipersensitivite saptanan(Astım, alerjik rinit, atopik dermatit, ürtiker, anjioödem) hastalarda alerjen çeşitliliğinin saptanması ve demografik verilerle ilişkisinin değerlendirilmesi
Determination of allergen diversity in patients with type 1 hypersensitivity (asthma, allergic rhinitis, atopic dermatitis, urticaria, angioedema) and evaluation of its relationship with demographic data
NAZAN BOZKURT ALP
Tıpta Uzmanlık
Türkçe
2025
Çocuk Sağlığı ve HastalıklarıBalıkesir ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM KEMER AYCAN
- Çağdaş Suriye nesrinde siyasî hapishane edebiyatı üzerine eleştirel bir bakış
The literature of political prisons in contemporary Syrian prose analytical prepective
ABDOLGADER MOHAMED ALİ
Yüksek Lisans
Arapça
2014
Doğu Dilleri ve EdebiyatıSelçuk ÜniversitesiDoğu Dilleri ve Edebiyatları Ana Bilim Dalı
YRD. DOÇ. FİKRET ARSLAN