Real-time intelligent strawberry harvesting and quality determination system using computer vision and deep learning
Bilgisayarla görme ve derin öğrenmeyi kullanan gerçek zamanlı akıllı çilek hasadı ve kalite belirleme sistemi
- Tez No: 820205
- Danışmanlar: Prof. Dr. ZEKERİYA TÜFEKCİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Gerçek zamanlı sistemler, Nesne tespiti, Çilek, Real time systems, Object detection, Strawberry
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çilekler, göreceli olarak uzun bir hasat dönemine sahiptir ve bu da çilek olgunluğunun çeşitli aşamalarını belirleyen akıllı hasat sistemlerine olan ihtiyacı ortaya çıkarır. Bu sistemler, yorgunluğu hafifletmek ve bu görevle ilişkili maliyetleri azaltmak için potansiyel çözümler sunar. Gerçek zamanlı çilek tespiti üzerine yapılan araştırmalar hala birkaç boşluğu ele almak zorundadır. Bu boşluklar, dengesiz etiket dağılımını yönetmek, veri artırma tekniklerini keşfetmek, ön işleme ve eğitim parametrelerini optimize etmek ve fine-tuning gibi ileri konuları araştırmak gibi konuları içerir. Bu araştırma, doğru ve verimli bir gerçek zamanlı çilek tespit modeli geliştirmeye odaklanmaktadır. Temel amaç, tarımsal bahçelerde çilekleri yerlerini belirlemek ve aşırı olgunlaşmış ve çürümekte olan meyveleri tespit ederek kalitelerini değerlendirmektir. Bu amaçla, çeşitli çilek olgunluk seviyelerine ait 5000 RGB görüntüye sahip çeşitli bir Yüksek Kaliteli Etiketli Çilek Veri Seti (HQASD) toplandı. Farklı tipte veri artırma teknikleri uygulandı ve bu bağlamda en ileri ve yeni yaklaşım olarak Overrepresented bir sınıftan Underrepresented bir sınıfın görüntülerini oluşturmak için Cycle-Consistent Generative Adversarial Network (CycleGAN) kullanıldı. En son gerçek zamanlı nesne tespit modeli olan You Look Only Once (YOLOv7), gerçek ve sentetik olarak üretilen verilerle eğitildi. Modelin genel performansını etkileyen tüm yönleri incelemek için derin deneyler ve çeşitli senaryolar gerçekleştirildi. Modelin performansını optimize etmek için hiper-ayarlamalar yapıldı. On sınıfı tanımlamak için elde edilen en iyi modeller, 0.5 IoU eşiği üzerinde 98.7% Ortalama Hassasiyet Puanı (mAP) elde etti ve üç sınıfı tanımlamak için en iyi model aynı eşikte tüm tipler için %96.51 mAP puanı aldı, sentetik görüntülerle eğitilen model ise tüm sınıflar için %98.4 mAP performansı göstererek CycleGAN ile birlikte fine-tuning tekniklerinin etkinliğini gösterdi. Ayrıca, çilek olgunluk spektrumunun kapsamlı bir temsilini sağlayan HQASD oluşturmayı başaran bir araştırma gerçekleştirildi, bu da onu bilgisayarlı görme görevleri için uygun kılmaktadır
Özet (Çeviri)
Strawberries have a comparatively extended harvesting period, which poses the need for intelligent harvesting systems that identify various stages of strawberry ripeness to alleviate fatigue and reduce the costs associated with this task. These systems offer potential solutions to enhance productivity while minimizing labor requirements. Research in real-time strawberry detection still has several gaps to address. These gaps include managing imbalance label distribution, exploring data augmentation techniques, optimizing preprocessing and training parameters, and investigating advanced topics such as fine-tuning. This research focuses on developing an accurate and efficient real-time strawberry detection model. The main objective is to locate and identify strawberries in agricultural orchards and assess their quality by detecting overripe and decaying fruits. For this purpose, a diverse High-Quality Annotated Strawberry Dataset(HQASD) was collected with 5000 RGB images belonging to ten strawberry maturity levels. Different types of data augmentation techniques were applied, and the most advanced and novel approach used in this context was the Cycle-Consistent Generative Adversarial Network (CycleGAN) for generating images of an underrepresented class from an overrepresented one. The latest real-time object detection model, You Look Only Once (YOLOv7), is trained on real and synthetically generated data. Deep experiments and various scenarios were conducted to investigate all the aspects that impact the model's overall performance. Hyper-tuning is performed on the model's parameters to optimize its performance. The best-obtained models for identifying ten classes achieved Mean Average Precision (mAP) 98.7% at Intersection over Union (IoU) threshold 0.5, and the best model for identifying three classes scored 96.51% mAP for all types at the same threshold, where the model trained on synthetic images performed 98.4% mAP for all classes which shade the effectiveness of employing CycleGAN along with fine-tuning techniques. In addition, the research succeeded in creating HQASD, which provides a comprehensive representation of the strawberry maturity spectrum, which makes it well-suited for computer vision tasks.
Benzer Tezler
- Mobil aquaponik sistemlerin otomasyonu
Automation of mobile aquaponic systems
ADİL CEYLAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiGaziantep İslam Bilim ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YÜKSEL TOKUR BOZKURT
- Geleceğin tarımı: IoT ve yapay zeka ile sürdürülebilir sera yönetimi
Future farming: sustainable greenhouse management with IoT and artificial intelligence
KERİM BEŞİR
Yüksek Lisans
Türkçe
2025
Mekatronik MühendisliğiNecmettin Erbakan ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİME ERGÜN
- Örtü altı tarım uygulamlarında yapay zekâ tabanlı tespit, teşhis, tedavi ve verim otomasyonu
Artificial intelligence based detection, desease, diagnosis, treatment and efficiency otomation for greenhouse applications
ABDİL KARAKAN
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELAMİ KESLER
- Real-time intelligent journey planner
Gerçek zamanlı akıllı seyahat planlama sistemi
FERİŞTAH DALKILIÇ
Doktora
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP ALP KUT
- A heterogeneous multi agent intelligent player for a real-time strategy game
Gerçek zamanlı strateji oyunu için heterojen çoklu etmenler kullanan akıllı oyuncu
MEHMET CİHAN KURT
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA BORAHAN TÜMER