TEZLER

ZEYTİN YAPRAĞINDAKİ HASTALIKLARIN DERİN ÖĞRENME TEKNİKLERİ KULLANILARAK SINIFLANDIRILMASI

Konvolüsyonel sinir ağı modellerinin bitki yaprak görüntüleri üzerinde hastalık ve zararlıların tanı ve teşhisi konusunda oldukça başarılı olduğu bilinmektedir. Bu tez çalışmasında zeytin bitkisine ait 3 farklı yaprak türü konvolüsyonel sinir ağı modeli ile sınıflandırılmıştır. Veri seti 3400 adet zeytin yaprak görüntüsünden oluşmaktadır. Halkalı leke hastalığı, zeytin yaprak pasakarı zararlısı ve sağlıklı yaprakların oluşturduğu 3 farklı sınıf bulunmaktadır. Farklı optimizasyon algoritmaları ve iterasyon sayılarının sınıflandırma başarısına etkisi, Konvolüsyonel Sinir Ağları (CNN) yardımı ile gözlemlenmiştir. Tez çalışmasında kullanılan CNN modelleri Google Colab bulut servisinde yer alan Tesla GPU’lar ile eğitilmiştir. Anaconda (Spyder) IDE platformunda python programlama dili ile yazılmıştır. Eğitilen modelin web uygulaması Flask kütüphanesi yardımıyla oluşturulmuştur.

Tez çalışmasında önerilen CNN modeli 100 iterasyon üzerinden Adamoptimizasyon algoritması ile %84 doğruluk oranı elde etmiştir. Transfer öğrenme yöntemi kullanılarak, VGG16 ve VGG19 gibi gelişmiş CNN modelleri oluşturulan veri seti ile eğitilmiştir. Karşılaştırmalı deney sonuçlarına göre %88 doğruluk oranı ile VGG16 modeli en iyi sonucu vermiştir. Tez çalışmasında önerilen CNN modeline, Keras kütüphanesi ImageDataGenarator sınıfı ile veri arttırım işlemi uygulanmıştır. Veri arttırım yöntemi uygulanan bu model Adam optimizasyon algoritması kullanılarak 100 iterasyonda eğitilmiştir. Veri arttırım işleminin sonucunda önerilen CNN modeli %94 doğruluk oranı ile en iyi sınıflandırma başarısını elde etmiştir.

Neşe UYSAL, 2020. Danışman: Sinan UĞUZ

VERMİKOMPOST ÜRETİMİNDE KIRMIZI KALİFORNİYA SOLUCAN YUMURTALARININ DERİN ÖĞRENME TEKNİKLERİ İLE KOMPOSTTAN AYRILARAK ÜRETİME GERİ KAZANDIRILMASI

Günümüzde birçok alanda etkili bir şekilde kullanılmakta olan derin öğrenme teknikleri her geçen gün daha da çok önem arz edecek ve tarım sektöründeki dijital dönüşüme önemli ölçüde katkı sağlayarak üreticilerin rekabet gücünü arttıracaktır. Bu tez çalışmasında SSD mimarisi kullanılarak oluşturulan CNN modeli ile tespit edilen solucan yumurtaları komposttan ayrılarak üretime geri kazandırılmıştır. Veri seti 3809 solucan yumurtası içeren 1000 adet kompost görüntüsünden ve solucan yumurtalarını temsilen “cocoon” olarak adlandırılmış tek sınıftan oluşmaktadır. VGG16 üzerinden öğrenme aktarımı yapılarak kullanılan SSD mimarisinde farklı adım sayılarının nesne tespitine olan başarısı gözlemlenmiştir. Tez çalışmasında kullanılan CNN modeli Anaconda Spyder IDE platformunda Python programlama dili ile yazılmış ve GeForce RTX 2080 GPU ile eğitilmiştir.

Tez çalışmasında önerilen SSD modeli ile oluşturulan ağın eğitimi veri setinde yer alan 1000 adet görüntü ve 1e-5 öğrenme oranı ile veri arttırımı ve öğrenme aktarımı yapılarak 1000 adımda yapılmıştır. Yapılan eğitim sonucunda kayıp değeri 800’üncü adımda 2.527’e, 1000’inci adımda ise 2.494’e kadar inmiş ve bu noktadan sonra yakınsak değerlerle yatay bir seyir izlemiştir. Tek sınıftan oluşan modelin AP değeri 1000’inci adımdada %84.9 değerine kadar çıkarak en iyi sonuç elde edilmiştir.

Ali ÇELİK, 2020. Danışman: Sinan UĞUZ

AKILLI KAMPÜSLER İÇİN TOPLULUK HAREKETLİLİĞİNİN DERİN ÖĞRENME TEMELLİ YÖNTEMLERLE GERÇEK ZAMANLI İZLENMESİ

Günümüzde şehir ortamlarının ve dolayısıyla kampüs ortamlarının giderek daha yoğun insan kalabalıklarını misafir ediyor olması sebebiyle çeşitli problemler ön plana çıkmaktadır. Bu problemlerin çözümü için yapılması gereken ilk şey ise; bu kalabalıkların tespit edilmesi ve analizlerinin yapılması gerekliliğidir. Bu doğrultuda, bu tez çalışmasında üniversite kampüs içerisinde öğrenci kalabalıklarının tespit edilmesi ve incelenmesi hedeflenmiştir. Bunun için görüntülerdeki insanların tespit edilebilmesi amacıyla derin öğrenme yöntemleri kullanılarak nesne tespiti yapılmıştır. Literatürdeki yaygın olarak kullanılan veri setleri incelenmiş ve CrowdHuman veri setinin en uygun veri seti olduğu görülmüştür. İlgili veri seti içerisinde 15 000 adet görüntü bulunmakta ve yaklaşık 470 000 adet etiketlenmiş insan verisi bulunmaktadır. Yapılan eğitimlerde Faster RCNN, YOLO, RetinaNet gibi state-of-the-art modeller kullanılmıştır. Yapılan deneylerde YOLOv4 ile %78 mAP skoru elde edilmiştir. Burada eğitilen modeller sunucu üzerinde çalıştırılarak, kampüs içerisinde bulunan IP kameralardan elde edilen görüntüler üzerinde gerçek zamanlı olarak nesne tespiti yapılmıştır. Görüntüde insan yoğunluğunun tespit edilmesi ile birlikte mobil uygulama üzerinde ilgili bölgenin yoğunluk durumu gösterilmektedir.

Ahmet Bestami KÖSE, 2023. Danışman: Sinan UĞUZ

SERALARDAKİ ZARARLILARIN DERİN ÖĞRENMEYE
DAYALI TEKNİKLERLE TESPİTİ VE POPÜLASYON
TAHMİNİ

Örtü altı yetiştiricilik (sera); Türkiye’de, özellikle de Akdeniz ve Ege Bölgesi’nde önemli bir faaliyet alanına sahiptir. Burada üretilen ürünler; hastalık, zararlı, besin yetersizliği, yanlış kullanılan tarım ilaçları veya yanlış depolama nedeniyle zarar görmektedir. Tarım zararlıları, sera ürünlerinde önemli ekonomik ve üretim kayıplarına sebebiyet vermektedir. Bu noktada, seralarda yaygın bir tür olan thrips zararlısının erken dönemde tespiti büyük önem taşımaktadır. Bu tez çalışmasında Thrips familyasına ait bir tür olan Frankliniella occidentalis ele alınmıştır. Thrips zararlısının popülasyon artışının gözlemlenebilmesi adına, tuzaklar üzerinden haftalık olarak sayımı gerçekleştirilmektedir. Bu sayımlar ilgili ekipmanlar kullanılarak gerçekleştirilmektedir. Bu bakımdan süreç, yüksek iş gücü ve zaman gerektirmektedir. Tez çalışmasında, insan faktörü yerine derin öğrenme tabanlı algoritmalar kullanılarak zararlı sayımının gerçekleştirilmesi hedeflenmiştir. Bu kapsamda, Antalya ilindeki seralara kurulan mavi ve sarı yapışkan tuzak görüntüleri elde edilmiştir. Ayrıca, tuzakların toplandığı seralardan toplanma tarihleri ile seralardaki sıcaklık ve nem bilgileri de elde edilmiştir. İlgili görüntüler parçalara ayrılıp ayıklandıktan sonra bir veri seti oluşturulmuştur. Bu veri seti 4 farklı yenilikçi nesne tespiti modeli ile eğitilmiştir. DarkNet53 omurgalı YOLOv7 modeli, AP50 0.889 değeri ile en başarılı model olmuştur. Toplanan sayısal veriler ise 4 farklı
makine öğrenmesi modeli ile eğitilmiştir. Zaman serilerinin bir özellik olarak kullanıldığı çalışmada, en başarılı sonucu doğrusal regresyon modeli vermiştir. Bu model kullanılarak bir trend analizi gerçekleştirilmiş ve sonraki döneme ait popülasyon tahmini verisi elde edilmiştir. Kullanıcıyı serada bulunan zararlı popülasyonu hakkında bilgilendirmek adına bir arayüz geliştirilmiştir.

Gülhan ŞİKAROĞLU, 2023. Danışman: Sinan UĞUZ, 2. Danışman: Prof. Dr. İsmail KARACA

KURU ÜZÜM KALİTESİNİN DERİN ÖĞRENME TEKNİKLERİ
İLE GERÇEK ZAMANLI OLARAK TESPİTİ

Derin öğrenmenin çok gelişmiş kullanım alanı ve çeşitliliğe sahip olmasının beraberinde hesaplama gücünün büyümesi ile derin öğrenme algoritmaları tarım alanında dikkate değer sonuçlar elde etmesini sağlamıştır. Derin öğrenmenin tarım alanında mahsullerin analizi, haşere tespiti, yabani ot tespiti, sulama verimliliği, gübreleme, hava durumu (iklimlendirme) analizi, tarım alanı analizi, toprak analizi ve tarım alnında kullanılan otonom makinelerde kullanılmaktadır. Çalışmada derin öğrenme teknikleri kullanılarak TS 3411’de yer alan Sultani kuru üzüm numunelerinin standarda uygunluğunun tespitini gerçek zamanlı sistem ile belirlenmiştir. Kuru üzüm veri seti 1. kalite, 2. kalite ve üzüm çöpü olacak şekilde üç sınıf ve 10 544 adet görüntüden oluşmaktadır. Çalışmada YOLOv5, YOLOv6, YOLOv7, YOLOX, FCOS ve TOOD modelleriyle eğitimler yapılmıştır. Yapılan eğitimlerde toplam kayıp değerin 0.018 ile en düşük TOOD, %84.6 ile TOOD ve değeri ise %88.7 ile YOLOv5 olarak en iyi sonuçlar
elde edilmiştir. Fakat gerçek zamanlı tespitte YOLOv6 daha yüksek fps değerine sahip olduğundan gerçek zamanlı tespitte YOLOv6 tercih edilmiştir.

Abdullah YAĞIZ, 2023. Danışman: Sinan UĞUZ