Nesnelerin interneti (IoT) tabanlı derin öğrenme ile tarımda sürdürülebilir su yönetimi sisteminin geliştirilmesi
Development of sustainable water management system in agriculture with internet of things (IoT) based deep learning
- Tez No: 958978
- Danışmanlar: PROF. DR. MEHMET ERTUĞRUL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Sayısal görüntü işleme, Digital image processing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışma, tarımsal sulama yönetiminde geleneksel sensör tabanlı yöntemlere alternatif olarak, görüntü işleme ve yapay zekâ entegrasyonu ile geliştirilen düşük maliyetli bir modelin tasarlanması ve doğruluk düzeyinin test edilmesini amaçlamaktadır. Yöntem: Çalışma kapsamında, bir sezon boyunca fasulye bitkilerinden IoT tabanlı düşük çözünürlüklü kameralarla toplanan görseller, YOLOv12 algoritması ile segmentasyon ve poz tahmini işlemine tabi tutulmuştur. Görsellerden elde edilen yaprak yüzey alanı, meyve yüzey alanı, toplam bitki alanı ve yaprak eğilme açısı gibi morfolojik değişkenler, yapay sinir ağı (ANN) modeline aktarılmış ve bu model aracılığıyla bitki katsayısı (Kc) ve bitki su tüketimi (ETc) tahmin edilmiştir. Modelin doğruluğu, meteorolojik verilerle geliştirilen geleneksel tahmin yöntemleri ve literatürdeki bulgularla karşılaştırılarak değerlendirilmiştir. Bulgular: ANN modeli, Kc tahmininde R² = 0.95, ETc tahmininde ise R² = 0.97 doğruluk oranına ulaşmıştır. Yaprak eğilme açısı değişkeninin modele dâhil edilmesi, özellikle ETc tahmin doğruluğunu anlamlı düzeyde artırmıştır. Düşük çözünürlüklü görsellerle dahi başarılı segmentasyon ve poz tahmini yapılabildiği, bu sayede düşük maliyetli IoT entegrasyonunun mümkün olduğu gösterilmiştir. Sonuç: Görüntü işleme ile elde edilen yaprak eğilme açısı gibi morfolojik veriler, ANN modelinin Kc ve ETc tahmin doğruluğunu önemli ölçüde artırmıştır. Bu yaklaşım, sensörsüz ve IoT temelli sistemlerle sulama yönetiminde etkin bir alternatif sunarak sürdürülebilir tarıma katkı sağlamaktadır.
Özet (Çeviri)
Purpose: This study aims to design and test the accuracy of a low-cost model developed with the integration of image processing and artificial intelligence as an alternative to traditional sensor-based methods in agricultural irrigation management. Method: Within the scope of the study, images collected from bean plants with IoT-based low-resolution cameras during a season were subjected to segmentation and pose estimation with the YOLOv12 algorithm. Morphological variables such as leaf surface area, fruit surface area, total plant area and leaf bending angle obtained from the images were transferred to an artificial neural network (ANN) model and plant coefficient (Kc) and plant water consumption (ETc) were estimated through this model. The accuracy of the model was evaluated by comparing with the traditional prediction methods developed with meteorological data and the findings in the literature. Findings: The ANN model reached R² = 0.95 and R² = 0.97 for Kc and ETc prediction, respectively. The inclusion of the leaf tilt angle variable in the model significantly increased the prediction accuracy, especially for ETc. It has been shown that successful segmentation and pose estimation can be performed even with low resolution images, thus enabling low-cost IoT integration. Results: Morphological data such as leaf bending angle obtained by image processing significantly improved the Kc and ETc prediction accuracy of the ANN model. This approach contributes to sustainable agriculture by providing an effective alternative in irrigation management with sensorless and IoT-based systems.
Benzer Tezler
- An IoT based smart irrigation recommendation system
Yeni bir IoT tabanlı akıllı sulama sistemi
WASEEM ALGBURI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN
- Nesnelerin interneti ağlarında derin öğrenme tabanlı yeni bir saldırı tespit sistemi
A novel deep learning-based intrusion detection system for internet of things networks
KEMAL AKKANAT
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. MUHARREM TOLGA SAKALLI
- Nesnelerin interneti için transfer öğrenme yöntemi ile siber saldırı tespiti
Cyberattack detection with transfer learning method for internet of things
NURSAÇ KURT
Yüksek Lisans
Türkçe
2026
Bilim ve TeknolojiMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR
DR. ÖĞR. ÜYESİ GÖZDE KARATAŞ BAYDOĞMUŞ
- Nesnelerin interneti tabanlı ağ trafiğinde ileri makine öğrenimi ve derin öğrenme yöntemleri ile anomali tespiti
Anomaly detection in internet of things based network traffic with advanced machine learning and deep learning methods
YAĞIZ ONUR KOLCU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
- IoT tabanlı akıllı şehirlerde derin öğrenme ve mobil tabanlı akıllı park sistemi yaklaşımı
Deep learning and mobile-based smart parking system approach in IoT-based smart cities
HİKMET CANLI
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİNAN TOKLU