Geri Dön

Yabani hayvanların derin öğrenme algoritmalarıyla tespit edilmesi ve uzaklaştırılması

Detection and deterrence of wild animals using deep learning algorithms

PDF İndir

  1. Tez No: 981894
  2. Yazar: İBRAHİM AKBAŞ
  3. Danışmanlar: DOÇ. DR. MURAT KÖKLÜ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Science and Technology, Computer Engineering and Computer Science and Control, Engineering Sciences
  6. Anahtar Kelimeler: Bilgisayar destekli değerlendirme, Bilgisayar destekli karar verme, Bilgisayar destekli mühendislik, Bilgisayar destekli programlama, Sayısal görüntü işleme, İnsan-yapay zeka etkileşimi, Computer aided evaluation, Computer aided decision making, Computer aided engineering, Computer aided programming, Digital image processing, Human-artificial intelligence interaction
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Tarım sektöründe hayvan güvenliği, ekonomik sürdürülebilirliğin sağlanması ve hayvan refahının korunması açısından temel bir gerekliliktir. Yırtıcı hayvan saldırıları ile yetkisiz insan girişleri, çiftlik hayvanlarında kayıplara, verim düşüşlerine ve ekonomik zararlara yol açarak tarımsal üretimde ciddi tehditler oluşturmaktadır. Bu tez çalışması kapsamında, söz konusu tehditleri gerçek zamanlı olarak tespit edebilen, düşük maliyetli, taşınabilir ve caydırıcı etkiye sahip yapay zeka tabanlı bir güvenlik sistemi geliştirilmiştir. Çalışmada kullanılan veri seti 13.258 ham görüntüden oluşmaktadır. Sınıflar arasındaki dengesizlikleri gidermek amacıyla uygulanan veri artırma teknikleriyle toplam görüntü sayısı 20.510'a yükseltilmiştir. Ham veriler; çiftlik alanları, şehir merkezleri ve yırtıcıların doğal yaşam alanlarında kaydedilen sahnelerin yanı sıra yerel çiftçi kayıtları, belgesel içerikleri ve açık erişimli video kaynaklarından elde edilen karelerden derlenmiş; tüm örnekler manuel olarak etiketlenip doğrulanarak güvenilir bir veri kümesi oluşturulmuştur. Geliştirilen sistemde, step motor ve sürücülerle yönlendirilen pan–tilt mekanizmasına entegre edilmiş bir web kamerası üzerinden alınan görüntüler işlenmektedir. Sistem mimarisinde merkezi işlem birimi olarak Raspberry Pi 5, hızlandırıcı birim olarak Google Coral TPU kullanılmıştır. Motor kontrolleri Arduino Uno ile sağlanmıştır. Yazılım bileşeninde, derin öğrenme tabanlı nesne tespit modeli YOLOv11'in üç varyantı (n, s, m), herhangi bir ön işleme uygulanmamış veri seti üzerinde ve aynı eğitim parametreleri ile karşılaştırmalı olarak değerlendirilmiştir. Elde edilen sonuçlara göre YOLOv11n yaklaşık %93,7 [email protected], %74,4 mAP@[.5:.95] ve 1,8 ms tahmin süresi; YOLOv11s %94,2 [email protected], %76,5 mAP@[.5:.95] ve 4,4 ms tahmin süresi; YOLOv11m ise %94,3 [email protected], %77,1 mAP@[.5:.95] ve 10,7 ms tahmin süresi elde etmiştir. Parametre sayısı, çıkarım süresi ve gömülü kullanım kısıtları birlikte değerlendirildiğinde, hız–doğruluk dengesi açısından YOLOv11s en uygun seçenek olarak belirlenmiştir. Uygulama aşamasında YOLOv11s modeli, veri artırma ve ön işleme adımlarıyla yeniden eğitilmiş, optimize edilmiş ve Coral TPU üzerinde çalıştırılmak üzere TFLite formatına dönüştürülmüştür. Doğrulama sonuçlarında model %92,6 [email protected], %87,6 geri çağırma ve %89,9 hassasiyet değerlerine ulaşmış; özellikle yırtıcı hayvan sınıflarında metriklerin çoğu %90'ın üzerinde seyretmiştir. Saha testleri, sistemin 10–15 FPS hız aralığında, 1–10 m mesafedeki hareketli nesneleri 3–10 km/s hız aralığına kadar doğru biçimde tespit edebildiğini ve 360° takip gerçekleştirdiğini; ayrıca 0,8 s aralıklarla 6 mm çapında zararsız materyal fırlatarak caydırıcı müdahale sağlayabildiğini göstermiştir. Ek olarak sistem, tespit edilen nesnelere ait görüntüleri sınıf bazlı olarak arşivleyip ileride veri kümesinin genişletilmesine yönelik otomatik veri toplama işlevi de sunmaktadır. Bu tez çalışması yapay zeka ve gömülü sistem teknolojilerini bütünleşik bir yapıda bir araya getirerek tehdit tespiti, takip ve caydırıcı müdahaleyi eşzamanlı gerçekleştiren kompakt, maliyet etkin ve uygulanabilir bir akıllı güvenlik sistemi ortaya koymaktadır. Geliştirilen sistemin, tarım ve hayvancılık uygulamalarında güvenliği artırmaya, müdahale süresini kısaltmaya ve potansiyel kayıpları azaltmaya anlamlı katkı sunacağı değerlendirilmektedir.

Özet (Çeviri)

Animal security in the agricultural sector is a fundamental requirement for ensuring economic sustainability and protecting animal welfare. Predator attacks and unauthorized human intrusions pose serious threats to agricultural production, leading to livestock losses, reduced productivity, and economic damage. This thesis aims to develop a low-cost, portable, and deterrent AI-based security system capable of detecting these threats in real time. The dataset used in this study consists of 13,258 raw images. Data augmentation techniques were applied to address imbalances between classes, increasing the total number of images to 20,510. The raw data was compiled from scenes recorded in farm fields, urban centers, and predators' natural habitats, as well as frames from local farmer records, documentary content, and open-access video sources. All samples were manually labeled and verified to create a reliable dataset. The developed system processes images captured via a webcam integrated with a pan-tilt mechanism driven by a stepper motor and drivers. In the system architecture, Raspberry Pi 5 is used as the central processing unit, and Google Coral TPU is used as the accelerator. Motor controls are provided by Arduino Uno. In the software component, three variants (n, s, m) of the deep learning-based object detection model YOLOv11 are comparatively evaluated on a dataset without any preprocessing and with the same training parameters. According to the obtained results, YOLOv11n achieved approximately 93.7% [email protected], 74.4% mAP@[.5:.95], and 1.8 ms prediction time; YOLOv11s achieved 94.2% [email protected], 76.5% mAP@[.5:.95], and 4.4 ms prediction time; and YOLOv11m achieved 94.3% [email protected], 77.1% mAP@[.5:.95], and 10.7 ms prediction time. When the number of parameters, inference time, and embedded usage constraints were evaluated together, YOLOv11s was determined to be the most suitable option in terms of speed and accuracy. In the implementation phase, the YOLOv11s model was retrained and optimized using data augmentation and preprocessing steps, and converted to TFLite format for execution on Coral TPU. Validation results showed that the model achieved 92.6% [email protected], 87.6% recall, and 89.9% precision; most metrics, particularly for predator classes, exceeded 90%. Field tests demonstrated that the system can accurately detect moving objects at 10–15 FPS, at distances of 1–10 m, at speeds of up to 3–10 km/h, and perform 360° tracking. It can also provide deterrent intervention by launching harmless 6 mm diameter objects at 0.8 s intervals. Additionally, the system archives images of detected objects by class and provides automatic data collection for future expansion of the dataset. This thesis combines artificial intelligence and embedded systems technologies in an integrated structure to develop a compact, cost-effective, and applicable smart security system that simultaneously performs threat detection, tracking, and deterrent response. The developed system is expected to significantly contribute to improving security, reducing response times, and reducing potential losses in agricultural and livestock applications.

Benzer Tezler

  1. Tez No

    655994

    Havaalanı pat sahasında bölgesel evrişimsel sinir ağı mimarileri ile yabancı madde tespiti

    Foreign object detection with regional convolutional neural network architects at airport pat field

    VİLDAN ÖZKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Sivil HavacılıkErciyes Üniversitesi

    Sivil Havacılık Ana Bilim Dalı

    PROF. DR. İLKE TÜRKMEN

  2. Tez No

    881033

    Teachers' views on ChatGPT-generated lesson plan in 7th grade English course

    ChatGPT tarafından 7'nci sınıf İngilizce dersi için hazırlanan ders planına ilişkin öğretmen görüşlerinin incelenmesi

    ÖZLEM MUKADDES ALSAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Eğitim ve ÖğretimGaziantep Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    PROF. DR. EMRAH CİNKARA

  3. Tez No

    772260

    Serological investigation of peste des petits ruminants in lambs in Iraq-Kirkuk region

    Irak–Kerkük bölgesinde kuzularda küçük ruminant vebası (pestedes petits ruminants ppr)'ın seroprevalansı

    SARWAT KHORSHED RAHEEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Sağlık YönetimiVan Yüzüncü Yıl Üniversitesi

    Sağlık Bilimleri Ana Bilim Dalı

    PROF. DR. SÜLEYMAN KOZAT

  4. Tez No

    732700

    Hollywood canlandırma sinemasında insan doğa ilişkisi temsiline ekoeleştirel bir bakış: Tüketim kültürü ve insan egemenliğinin filmlerdeki rolü

    An ecocritical look at the representation of human-nature relationship in Hollywood animation cinema: The role of consumption culture and human sovereignty in films

    MUHAMMED ALPARSLAN ÖZKARDEŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İletişim Bilimleriİstanbul Üniversitesi

    Radyo Televizyon ve Sinema Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YÜKSEL BALABAN

  5. Tez No

    159435

    Le pouvoir educatif des fables de la Fontaine

    La Fontaine Fablleri ışığında Fabllerin eğitimsel gücü

    ELİF GONCA PİYADE

    Yüksek Lisans

    Fransızca

    Fransızca

    2005

    Eğitim ve ÖğretimGazi Üniversitesi

    Yabancı Diller Eğitimi Ana Bilim Dalı

    DOÇ.DR. ESMA İNCE

Geri Dön