Yapay zeka ve görüntü işleme teknikleriyle otomatik zararlı hasarı tespiti ve derecelendirilmesi
Automatic detection and grading of pest damage using artificial intelligence and image processing techniques
- Tez No: 988375
- Danışmanlar: PROF. DR. AYDOĞAN SAVRAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tarım alanında ürün verimliliğini artırmak ve çevresel etkileri azaltmak amacıyla, yapay zekâ tekniklerinin kullanımı giderek yaygınlaşmaktadır. Özellikle bitki hastalıkları ve zararlı organizmaların neden olduğu verim kayıplarının önlenmesi adına, tarımsal görüntü işleme temelli otomatik tespit sistemlerinin geliştirilmesi kritik öneme sahiptir. Bu tez çalışmasında, mısır bitkisinde zarar oluşturan Zyginidia pullula zararlısının neden olduğu yaprak hasarının belirlenmesi ve bu hasarın derecesine göre sınıflandırılması amacıyla görüntü işleme ve makine öğrenmesi tabanlı bir analiz sistemi geliştirilmiştir. Tez kapsamında ilk olarak, gerçek tarım arazisinde farklı zamanlarda alınan mısır yaprağı görüntüleri kullanılarak geniş kapsamlı bir veri seti oluşturulmuştur. Görüntülere çeşitli ön işleme teknikleri uygulanarak, doğal ortamdaki görsel karmaşanın azaltılması ve analiz edilecek bölgenin netleştirilmesi sağlanmıştır. Ardından, görüntülerdeki yaprak bölgeleri derin öğrenme tabanlı bölütleme yöntemi kullanılarak izole edilmiştir. Bölütleme sonrası elde edilen yaprak bölgeleri üzerinden hem derin öğrenme mimarileri hem de geleneksel (elle çıkarılmış) öznitelik çıkarım yöntemleriyle görsel verilerden anlamlı bilgi elde edilmiştir. Görüntülerden çıkarılan bu öznitelikler, farklı sınıflandırma algoritmaları kullanılarak analiz edilmiştir. Sağlıklı ve zararlı hasarı bulunan örneklerin ayrımının yanı sıra, zarar derecesinin düşük, orta ve yüksek şeklinde sınıflandırılmasına yönelik modeller geliştirilmiştir. Bu doğrultuda tez boyunca önerilen yöntemlerde hem tek başına derin özniteliklerin hem de geleneksel renk ve doku temelli özniteliklerin sınıflandırma performansına etkileri değerlendirilmiştir. Bu tez çalışmasında, geleneksel görüntü işleme yaklaşımları ile derin öğrenme tabanlı tekniklerin birlikte kullanıldığı bir sistematik yaklaşım izlenmiş; böylece tarım teknolojileri alanında hem pratik hem de genellenebilir çözümler üretebilecek bir çerçeve ortaya konmuştur. Doktora adayı, TÜBİTAK 2211-C Öncelikli Alanlara Yönelik Yurt İçi Doktora Burs Programı kapsamında ve YÖK 100/2000 programı kapsamında desteklenmiştir.
Özet (Çeviri)
The use of artificial intelligence techniques in agriculture is increasingly widespread in efforts to enhance crop productivity and reduce environmental impacts. In particular, the development of automatic detection systems based on agricultural image processing has gained critical importance in preventing yield losses caused by plant diseases and harmful organisms. This doctoral study presents an image processing and machine learning-based analysis system designed to detect leaf damage caused by Zyginidia pullula, a pest that affects maize, and to classify the severity of such damage. Within the scope of the thesis, a comprehensive dataset was initially constructed using maize leaf images captured at different times under real field conditions. Various preprocessing techniques were applied to the images to reduce the visual complexity inherent in natural environments and to enhance the clarity of the regions to be analyzed. Subsequently, leaf regions in the images were isolated using a deep learning-based segmentation method. From these segmented leaf areas, meaningful information was extracted using both deep learning architectures and traditional (handcrafted) feature extraction techniques. The extracted features were analyzed using different classification algorithms. In addition to the binary classification of healthy versus damaged leaves, models were developed to categorize the severity of damage into three levels: low, medium, and high. Accordingly, the thesis evaluated the individual and combined effects of deep features and traditional color- and texture-based features on classification performance. In this study, a systematic approach that integrates traditional image processing methods with deep learning-based techniques was adopted, thereby establishing a framework capable of producing both practical and generalizable solutions in the field of agricultural technologies. The doctoral candidate was supported by both the TÜBİTAK 2211-C National Ph.D. Scholarship Program in Priority Fields of Science and Technology and the 100/2000 Programme by CoHE.
Benzer Tezler
- Scene change detection with triplet loss network using self-supervised learning
Üçlü kayıp ağı ile kendi kendine denetimli öğrenme metodu kullanarak sahne geçişlerinin tespiti
BURAK NAYIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Ana Bilim Dalı
DR. TANKUT AKGÜL
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Yabani hayvanların derin öğrenme algoritmalarıyla tespit edilmesi ve uzaklaştırılması
Detection and deterrence of wild animals using deep learning algorithms
İBRAHİM AKBAŞ
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KÖKLÜ
- Doğal taş karolarının görüntü işleme ve makine öğrenmesi teknikleri ile sınıflandırılması
Classification of natural stone tile with image processing and machine learning technique
MUSTAFA TEMİZ
Yüksek Lisans
Türkçe
2018
İşletmeSivas Cumhuriyet ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. OĞUZ KAYNAR
- Artificial intelligence based android assistant for colorimetric detection
Kolorimetrik tespit için yapay zeka tabanlı android asistanı
VAKKAS DOĞAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN KILIÇ
DOÇ. DR. MUSTAFA ŞEN