Geri Dön

Semı supervısed orıentatıon estımatıon of honeybees

Bal arılarının yarı denetimli yönelim tahmini

PDF İndir

  1. Tez No: 961120
  2. Yazar: BİLAL YAĞIZ GÜNDEĞER
  3. Danışmanlar: DOÇ. DR. EROL ŞAHİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 111

Özet

Bal arıları, özellikle tozlaşma faaliyetlerinde ekosistem için kritik bir rol üstlenmektedir; ancak popülasyonları endişe verici bir hızla azalmaktadır. Arılar, yalnızca koloni içi etkileşimlerle sınırlı kalmayıp çevreleriyle de yoğun bir şekilde etkileşime girmektedir. Bu nedenle davranışlarının anlaşılması, koruma çalışmalarının etkinliği açısından büyük önem taşımaktadır. Bu bağlamda, bireysel arıların konum ve yönelimlerinin doğru bir biçimde tahmin edilmesi temel bir gereklilik olarak ortaya çıkmaktadır. Geleneksel yöntemler, arıların gövdelerine QR kodlu etiketler gibi fiziksel işaretleyiciler yerleştirilmesini zorunlu kılmakta olup bu durum, araştırma sürecine müdahaleci bir nitelik kazandırmaktadır. Öte yandan, bilgisayarla görme ve derin öğrenme alanındaki güncel gelişmeler, arıların konum ve yönelimlerinin koordinat sisteminde tahmin edilmesini mümkün kılmıştır. Bununla birlikte, denetimli öğrenmeye dayalı bu modeller, giriş verileri ile birlikte kapsamlı ve doğru etiketlere ihtiyaç duymakta; geniş ölçekli etiketli veri setleri olmaksızın yeterli performans sergileyememektedir. Ayrıca, eğitim verilerinde temsil edilmeyen uzun vadeli veri dağılımı değişimlerine karşı da zayıf bir dayanıklılık göstermektedir. Bu tez çalışmasında, mevcut tespit sistemleri ile birlikte çalışabilen yenilikçi bir yönelim tahmin modeli önerilmektedir. Yaklaşım, koordinat eksenlerine hizalanmış sınırlayıcı kutular biçiminde güvenilir arı tespitlerinin mevcut olduğunu varsaymakta ve her bir tespit edilen arının yönelimini tahmin etmektedir. Önerilen yöntem, yönelim tahmin sürecini bağımsız bir modül olarak gerçekleştirdiğinden, farklı tespit modellerine herhangi bir yapısal değişiklik gerektirmeksizin kolaylıkla entegre edilebilmektedir. Model, yarı denetimli bir öğrenme yaklaşımıyla eğitilmiş olup başlangıç aşamasında yalnızca sınırlı miktarda etiketli veriye ihtiyaç duymakta, kalan verilerin etiketlenmesi ise otomatik olarak gerçekleştirilmektedir. Uzun vadeli performansın sürdürülebilmesi için yaşam boyu öğrenme stratejisi uygulanmış ve sistemin dinamik olarak değişen veri dağılımlarına uyum sağlayabilmesi mümkün kılınmıştır. Model ve yarı denetimli etiketleme hattından oluşan bütünleşik sistem, gelen verileri sürekli olarak etiketlemekte ve modeli belirli aralıklarla yeniden eğitmektedir. Deneysel sonuçlar, önerilen yöntemin test veri kümesi üzerinde yaklaşık 16° ortalama mutlak hata (MAE) ile güncel yöntemlerle karşılaştırılabilir bir doğruluk seviyesine ulaştığını göstermektedir. Ayrıca, uzun vadeli uygulamalarda yalnızca 1° sapma ile doğruluğunu koruyabilmesi, arı popülasyonlarının incelenmesi ve izlenmesine yönelik güçlü bir potansiyel barındırdığını ortaya koymaktadır.

Özet (Çeviri)

Honeybees play a vital role in the environment, particularly in pollination, yet their populations are declining at an alarming rate. They interact not only within the colony but also extensively with their surroundings. Understanding their behavior is crucial for conservation efforts, and a key aspect of this is accurately estimating the pose of individual bees. Traditional methods require attaching physical markers, such as QR-coded tags, to the bees' bodies, which can be intrusive. Recent advances in deep learning–based computer vision have made it possible to estimate the pose of bees, including both their location and orientation within a coordinate system. However, such models are typically trained in a supervised manner and therefore require large amounts of labeled data, consisting of both input samples and their corresponding annotations. The reliance on extensive labeled datasets is a major limitation, as it demands significant annotation effort to achieve effective learning and robustness. Furthermore, these models often struggle to generalize when confronted with long-term data distribution shifts that are not captured in the training data. This thesis presents a novel orientation estimation model for honeybees that operates alongside existing detection systems. The approach assumes that reliable bee detections in the form of bounding boxes aligned with the coordinate axes are available as input and estimates the orientation of detected honeybees. It can be easily combined with various detection model without requiring modifications to the detection process itself since the orientation estimation can run as a separate module. The orientation estimation model has been trained using a semi-supervised approach, requiring only a small amount of labeled data for initial training, while automatically labeling the remaining data. To ensure long-term performance, we applied a lifelong learning strategy, enabling the system to adapt to dynamically changing data distributions. The overall system, which includes both the model and the semi-supervised pipeline, continuously labels incoming data and periodically retrains the model. In our experiments, the proposed method achieved a mean absolute error of approximately 16 degrees on the test dataset consisting of 60 frames captured from an observation hive at the University of Graz, Austria, demonstrating performance comparable to state-of-the-art approaches despite minimal labeled data. Its ability to maintain accuracy with only ~1-degree variation over long-term applications highlights its potential for supporting the study and monitoring of honeybee populations.

Benzer Tezler

  1. Tez No

    167438

    Electro-magnetic source imaging using realistic head models

    Gerçekçi kafa modelleri kullanarak elektro-manyetik kaynak görüntüleme

    ZEYNEP AKALIN ACAR

    Doktora

    İngilizce

    İngilizce

    2005

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Bölümü

    PROF.DR. NEVZAT GENÇER

  2. Tez No

    572179

    Subspace constraint clustering for semi- supervised sparse data

    Yarı denetimli seyrek veriler için alt alan kısıtlaması kümelenmesi

    SALEEM ISMAEL SADEQ HAJANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGaziantep Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. GÖLGE ÖGÜCÜ YETKİN

  3. Tez No

    330675

    Türkçe metinlerde denetimli ve sözlük tabanlı duygu analizi yaklaşımlarının karşılaştırılması

    Comparison of supervised and dictionary based sentiment analysis approaches on Turkish text

    BURAK İBRAHİM SEVİNDİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HACER KARACAN

  4. Tez No

    676518

    Açık hatla istasyon bölgelerinin hatada güvenli anklaşman tasarımı ve PLC de gerçeklenmesi

    Fail-safe interlocking design of open line and station areas and implementation with PLC

    MUHAMMED İKBAL YILDIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Ulaşımİstanbul Teknik Üniversitesi

    Raylı Sistemler Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET TURAN SÖYLEMEZ

  5. Tez No

    923393

    Yeni atanan öğretmenlerin oryantasyon etkinliklerine yönelik görüşleri

    Newly appointed teachers' views on orientation activities

    SEVDA GÜZEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Eğitim ve ÖğretimErciyes Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. ALPASLAN GÖZLER

Geri Dön