Sera ortamındaki zararlı böceklerin derin öğrenme teknikleriyle tespiti
Detection of pests in greenhouses using deep learning techniques
- Tez No: 963776
- Danışmanlar: DR. ÖĞR. ÜYESİ FEHİM KÖYLÜ
- 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: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tarımda zararlı böceklerin erken, doğru ve sürdürülebilir biçimde tespiti; hem ürün verimliliğini artırmak hem de pestisit kullanımını azaltmak açısından kritik öneme sahiptir. Ancak yaygın kullanılan geleneksel feromon ve sarı yapışkan tuzak sistemlerinde manuel sayım, zaman alıcı, hataya açık ve sürekli izlemeye uygun olmayan bir yöntemdir. Özellikle sera ortamlarında, zararlı yoğunluğunun değişkenlik göstermesi nedeniyle bu manuel sürecin yetersizliği, mücadele zamanlamasında gecikmelere ve gereksiz kimyasal uygulamalara neden olmaktadır. Bu problemin çözümü için dijital feromon tuzakları ve yapay zekâ destekli analiz sistemleri umut vaat etmektedir. Ancak bu alanda çeşitli teknik zorluklar mevcuttur: Görüntülerde çok sayıda küçük, üst üste binmiş ve benzer renkte böceklerin tespiti güçtür; farklı türler arasında morfolojik benzerlikler sınıflandırma sürecini karmaşıklaştırmaktadır. Ayrıca, modellerin sera gibi değişken ışık ve karmaşık arka plan koşullarında güvenilir çalışması gereklidir. Son yıllarda yapılan çalışmalar YOLOv5/YOLOv8, R-CNN ve Faster R-CNN gibi derin öğrenme tabanlı modellerin böcek tespiti ve sınıflandırmasında başarı sağladığını göstermektedir. Ancak literatürde çoğu yaklaşım geniş ve dengeli veri kümelerine dayanmakta olup; sera koşullarına özgü, küçük nesne içeren, düşük örnek sayılı ve sınıf dengesizliği barındıran senaryolarda yetersiz kalmaktadır. Ayrıca Transformer tabanlı RF-DETR gibi yeni nesil modellerin tarım alanındaki kullanımı sınırlı kalmış, küçük nesne performansları ise yeterince analiz edilmemiştir. Bu tez çalışmasında, Scoutbox ve akıllı telefonlar ile toplanmış, sera ortamına ait etiketli görüntülerden oluşan açık erişimli“Yellow Sticky Trap”veri seti kullanılmıştır. Üç farklı böcek türü hedeflenmiştir: zararlı Trialeurodes vaporariorum (WF) ve faydalı predatörler Macrolophus pygmaeus (MR) ile Nesidiocoris tenuis (NC). Önce YOLOv8 ve RF-DETR modelleri ile nesne tespiti gerçekleştirilmiş; ardından VGG19, ResNet50, NASNet Mobile ve FGCN gibi sınıflandırıcılarla tespit edilen böcekler türlerine göre ayrıştırılmıştır. Deneysel sonuçlara göre YOLOv8, küçük nesne tespitinde yüksek mAP50: %81,6 ve mAP50-95: %41,3 skorlarıyla öne çıkmıştır. RF-DETR ise mAP50: %77,1, mAP50-95: %35,8 ile büyük nesnelerde daha iyi performans sunmuştur. Sınıflandırmada VGG19 modeli %97.05 doğrulukla en başarılı sonuçları vermiş, NASNet Mobile %91.53 doğruluk sağlamıştır. FGCN modeli donanım açısından verimli olmakla birlikte doğrulukta sınırlı kalmış (%59.98). Elde edilen bulgular, YOLOv8'in sera ortamındaki küçük zararlıların gerçek zamanlı takibi için pratik ve etkili bir seçenek olduğunu; RF-DETR'nin ise yüksek çözünürlükte ve büyük nesne yoğunluklu veri setlerinde tercih edilebileceğini göstermektedir. Ayrıca, sınıflandırma sürecinde VGG19 ve NASNet Mobile gibi CNN tabanlı mimarilerin yüksek doğruluk sunduğu, grafik tabanlı FGCN'nin ise donanım açısından avantajlı ama doğrulukta sınırlı olduğu ortaya konmuştur. Bu çalışma, dijital feromon tuzaklarına entegre edilebilecek, düşük maliyetli ve sürdürülebilir bir zararlı izleme sisteminin temel bileşenlerini ortaya koyarak akıllı tarım uygulamalarına katkı sağlamaktadır.
Özet (Çeviri)
Early, accurate, and sustainable detection of pests in agriculture is critical for increasing crop productivity and reducing pesticide use. However, manual counting in widely used traditional pheromone and yellow sticky trap systems is a time-consuming, error-prone, and unsuitable method for continuous monitoring. Especially in greenhouse environments, due to the variability of pest density, the inadequacy of this manual process causes delays in control timing and unnecessary chemical applications. Digital pheromone traps and artificial intelligence-supported analysis systems are promising for solving this problem. However, this area has several technical challenges: It is difficult to detect large numbers of small, overlapping, and similarly colored insects in images; morphological similarities between different species complicate the classification process. In addition, models need to work reliably in variable light and complex background conditions such as greenhouses. Recent studies have shown that deep learning-based models such as YOLOv5/YOLOv8, R-CNN, and Faster R-CNN are successful in insect detection and classification. However, most approaches in the literature are based on large and balanced datasets; It is insufficient in scenarios specific to greenhouse conditions, including small objects, low sample numbers, and class imbalances. In addition, the use of new-generation models such as Transformer-based RF-DETR in agriculture has been limited, and their small object performance has not been analyzed sufficiently. In this thesis study, the open-access“Yellow Sticky Trap”dataset consisting of labeled images of greenhouse environments collected with Scoutbox and smartphones was used. Three different insect species were targeted: the harmful Trialeurodes vaporariorum (WF) and the beneficial predators Macrolophus pygmaeus (MR) and Nesidiocoris tenuis (NC). First, object detection was performed with YOLOv8 and RF-DETR models; then, the detected insects were separated according to their species with classifiers such as VGG19, ResNet50, NASNet Mobile, and FGCN. According to the experimental results, YOLOv8 stood out with high mAP50: 81.6% and mAP50-95: 41.3% scores in small object detection. RF-DETR provided better performance on large objects with mAP50: 77.1%, and mAP50-95: 35.8%. In classification, VGG19 model provided the most successful results with 97.05% accuracy, while NASNet Mobile provided 91.53% accuracy. FGCN model was efficient in terms of hardware but limited in accuracy (59.98%). The findings show that YOLOv8 is a practical and effective option for real-time monitoring of small pests in a greenhouse environment; RF-DETR can be preferred in high-resolution and large object density datasets. In addition, it was revealed that CNN-based architectures such as VGG19 and NASNet Mobile provide high accuracy in the classification process, while graphic-based FGCN has advantages in terms of hardware but is limited in accuracy. This study contributes to smart agriculture applications by revealing the basic components of a low-cost and sustainable pest monitoring system that can be integrated into digital pheromone traps.
Benzer Tezler
- Cam ve plastik seraların sonbahar domates üretimi yönünden karşılaştırılması
Başlık çevirisi yok
ERGUN DURAN
- Sonbahar sera yetiştiriciliğine uygun hıyar çeşit seçimi
Selecting a cucumber variety suitable for glasshouse production in Autumn
MESUT OKTAY
- Sera domates üretiminde aşı uygulaması ile elde edilen çift kök sistemine sahip domateslerin verim ve kalite yönünden üstünlükleri üzerine bir araştırma
Başlık çevirisi yok
ALİ DİZDAROĞLU
Yüksek Lisans
Türkçe
1985
ZiraatEge ÜniversitesiBahçe Bitkileri Ana Bilim Dalı
PROF. DR. FAHRETTİN MECİT