İnsansız hava aracı kullanılarak elma bitkisindeki kara leke hastalığının derin öğrenme yöntemleri ile tespiti
Detection of apple scab disease in apple plants with deep learning methods using unmanned aerial vehicles
- Tez No: 989719
- Danışmanlar: DOÇ. DR. BEKİR AKSOY, PROF. DR. HÜLYA ÖZGÖNEN ÖZKAYA
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Mekatronik Mühendisliği, Agriculture, Mechatronics Engineering
- Anahtar Kelimeler: Akıllı tarım, Sayısal görüntü işleme, Smart agriculture, Digital image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elma kara lekesi dünya genelinde elma yetiştiriciliğinin en önemli fungal hastalıklarından biridir. Elma kara lekesi hastalığı, ülkemizde verim ve ekonomik açıdan büyük kayıplara neden olmakta olup bu nedenle hastalığın erken tespiti ve kontrolü, üretim verimliliğini korumak açısından gereklidir. Bu doğrultuda, çalışmada kara leke hastalığının yapay zeka yöntemleriyle ayırt edilmesi ve insansız hava aracı ile gerçek zamanlı tespiti yapılmıştır. Tez kapsamında, elma yetiştiriciliğin yapıldığı bir arazide kara leke hastalığının bulaşmış olduğu elma yapraklarına ait görüntüler toplanmıştır. Çalışma için iki veri seti oluşturulmuştur. İlk veri seti, toplanan görüntülerden oluşturulan iki sınıflı bir veri setidir; ikinci veri seti ise, farklı kaynaklardan elde edilen görüntülerin de eklenmesiyle beş sınıfa genişletilmiştir. Gerçek zamanlı tespitin yapılması amacıyla, transfer öğrenme yöntemiyle hibrit bir model oluşturulmuştur. Hibrit modelin temelini oluşturmak için Inception-v3, Resnet50, MobileNetV3-Small, EfficientNet-B0 ve DenseNet-121 mimarileri beş sınıflı veri seti ile eğitilmiştir. Bu mimariler doğruluk, kesinlik, duyarlılık, F1 skoru, işlem hacmi ve gecikme metrikleri ile değerlendirilmiştir. Ardından, en iyi performans gösteren Efficientnet-B0 mimarisi dondurularak hemen ardına mini evrişimli sinir ağı sınıflandırıcı yapısı eklenmiştir. Bu şekilde oluşturulan hibrit modelin, eğitim aşamasında %99.05 doğruluk değerine ve 16.90 ms gecikme değerine ulaştığı ve söz konusu beş mimariyle kıyaslandığında gerçek zamanlı uygulamaya elverişli işlem hızlarına sahip olduğu gözlemlenmiştir. Çalışmanın son aşamasında, hibrit modelin gerçek zamanlı uygulamasıyla %97.56 doğruluk ve 13.09 ms gecikme değerlerine ulaşılarak kara leke hastalığının doğru bir biçimde tespit edildiği belirlenmiştir.
Özet (Çeviri)
Apple scab is one of the most significant fungal diseases affecting apple cultivation worldwide. In our country, apple scab disease causes major losses in terms of yield and economics; therefore, early detection and control of the disease are essential to maintain production efficiency. In this context, the study focused on distinguishing scab disease using artificial intelligence methods and detecting it in real time with an unmanned aerial vehicle. Within the scope of the thesis, images of apple leaves infected with scab disease were collected from an orchard. Two datasets were created for the study: the first is a two-class dataset created from the collected images, and the second was expanded to five classes by adding images obtained from different sources. To enable real-time detection, a hybrid model was developed using the transfer learning method. To form the basis of the hybrid model, Inception-v3, ResNet50, MobileNetV3-Small, EfficientNet-B0, and DenseNet-121 architectures were trained on the five-class dataset. These architectures were evaluated using accuracy, precision, recall, F1 score, throughput, and latency metrics. Subsequently, the EfficientNet-B0 architecture, which demonstrated the best performance, was frozen, and a mini convolutional neural network classifier structure was added. It was observed that the hybrid model created in this manner achieved an accuracy of 99.05% and a latency of 16.90 ms during the training phase, demonstrating processing speeds suitable for real-time applications compared to the five aforementioned architectures. In the final stage of the study, the real-time application of the hybrid model reached an accuracy of 97.56% and a latency of 13.09 ms, confirming that apple scab disease was correctly detected in real time.
Benzer Tezler
- İHA ile meyvelerin olgunlaşmasının takibi ve çürük teşhisi
Monitoring the maturation of fruits and diagnosis rotten with UAV
ABDURRAHMAN YILDIRIM
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSiirt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MELİH KUNCAN
DR. ÖĞR. ÜYESİ BURAK YILDIRIM
- Otonom kara ve hava araçları ile akıllı tarım: Hasat optimizasyonu üzerine bir uygulama
Smart agriculture with autonomous ground and air vehicles: Application on to harvest optimization
ALPARSLAN GÜZEY
- Tarımsal ortamlarda bitki hastalıklarının gerçek zamanlı tespiti için yapay zekâ tabanlı melez algoritma tasarımı
Design of an artifical intelligence based hybrid algorithm for real-time detection of plant diseases in agricultural environments
İLAYDA YAĞ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTAÇ ALTAN
- Integrating path planning and image processing with UAVs for disease detection and yield estimation in indoor agriculture
Kapalı alan tarımda hastalık tespiti ve verim tahmini için rota planlama ve görüntü işlemenin İHA'larla entegre edilmesi
ONAT ERDOĞMUŞ
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERDİNÇ ALTUĞ
- İnsansız hava aracı (drone) ve görüntü işleme teknolojilerinin meyve bahçelerinde kullanım örneği
An example of the use of unmanned aerial vehicle (drone) and image processing technologies in fruit gardens
AHMET MURAT KAYMAK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HUMAR KAHRAMANLI
ÖĞR. GÖR. MUSTAFA NEVZAT ÖRNEK