Tez No	İndirme	Tez Künye	Durumu
742643		Tokat bölgesi buğday üretiminde bazı yabancı otların derin öğrenme yöntemi ile tespit edilmesi / Detection of some weeds in wheat production of Tokat region by deep learning Yazar:MUSTAFA GÜZEL Danışman: DR. ÖĞR. ÜYESİ BÜLENT TURAN ; PROF. DR. İZZET KADIOĞLU Yer Bilgisi: Tokat Gaziosmanpaşa Üniversitesi / Lisansüstü Eğitim Enstitüsü / Biyosistem Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Ziraat = Agriculture Dizin:Derin öğrenme = Deep learning ; Nesne tespiti = Object detection ; Yabancı otlar = Weeds	Onaylandı Doktora Türkçe 2022 162 s.
Dünya genelinde canlı nüfus artışının hızlanarak devam etmesi ve buna bağlı olarak yükselen besin ihtiyacını karşılamak amacıyla üretilen önemli tarımsal besin kaynaklarından birisi de buğday bitkisidir. Buğday üretiminde verim ve kalite düşüklüğüne sebep olan önemli biyotik etmenlerin başında yabancı otların varlığı gelmektedir. Yabancı otlarla daha etkin bir mücadele gerçekleştirmek, kullanılan herbisitlerin zararlı yanlarını ve maliyetini azaltmak için yabancı otların yerlerini ve türlerini belirlemek gereklidir. Ancak bir uzman görüşü ile bu denli hassas tespitlerin yapılabilmesi, yapay zeka algoritmalarının son dönemde gösterdiği başarı ile çok daha hızlı ve kolay olabilmektedir. Bu çalışmada buğday üretim alanlarında önemli kayıplara ve zehirlenmelere sebep olan yabani hardal (Sinapis arvensis L.), köygöçüren (Cirsium arvense (L.) Scop) ve tarla hazeranının (Consolida regalis Gray) derin öğrenme yöntemi ile tespit edilmesi sağlanmıştır. Her bir bitkinin tanımlama ve mücadelesi için faydalı olan 5 farklı fenolojik dönemi (kotiledon yaprak dönemi, 3-5 yapraklı dönem, çiçeklenme öncesi dönem, çiçeklenme dönemi ve meyve ve tohum bağlama dönemi) ayrı sınıflandırmaya tabi tutularak 15 farklı sınıflandırma işlemi yapılmıştır. Her sınıfa ait görüntülerdeki etiketlenen toplam 145 792 nesne ile YOLOv5 derin öğrenme modeli kullanılmıştır. YOLOv5'e ait tüm sinir ağları (Nano, Small, Medium, Large ve ExLarge) eğitime tabi tutularak, sinir ağlarının Doğruluk, Geri Çağırım, F-1 Puanı ve AUC performansları değerlendirilmiştir. Kullanılan sinir ağlarından en başarılı olan sinir ağı %98 ile YOLOv5s (small) olurken, tüm sinir ağları en yüksek performanslarını KG2'de (köygöçüren 3-5 yapraklı dönem) göstermiştir. Sinir ağlarının en düşük performans gösterdikleri grup ise en yüksek oranla YOLOv5s (small) ile %45 iken en düşük değer ise YOLOv5n (nano) ile %8 değeriyle TH5'e (tarla hazeranı tohum bağlama dönemi) ait olmuştur. Bu çalışma, yabancı otların farklı fenolojik dönemlerine göre bilgisayar görmesi ile tespit edilebilmesi bakımından bir ilk olmuştur.
The wheat is one of the important agricultural food sources produced in order to meet the rapidly increasing living population and accordingly the increasing nutritional needs. The presence of weeds is an important biotic factors that cause yield and quality losts in wheat production. It is necessary to determine the locations and types of weeds in order to combat weeds more effectively and to reduce the harmful effects and cost of the herbicides used. Such a sensitive determinations could be possible only with the opinion of an expert but it can be much faster and easier with the success of artificial intelligence algorithms in the recent period. In this study, charlock mustard (Sinapis arvensis L.), creeping thistle (Cirsium arvense (L.) Scop) and forking larkspur (Consolida regalis Gray) plants, which cause significant losses and poisoning in wheat production areas, were determined by deep learning method. 5 different phenelogical periods (cotyledon leaves period, 3-5 leaves period, pre-flowering period, flowering period and fruit and seed setting period) of each plant, which are important for control, were classified separately and 15 different classification processes were carried out. YOLOv5 deep learning architecture was used with a total of 145 792 labelled objects in the images of each class. All neural networks (Nano, Small, Medium, Large and ExLarge) that came with YOLOv5 were trained and the Precision, Recall, F-1 Score and AUC performances of the neural networks were evaluated. It has optained as the most successful neural network was YOLOv5s (small) with 98%, all neural networks showed their highest performance in KG2 (3-5 leaves period of creeping thistle). the lowest performance class of neural networks were with TH5 (fruit and seed setting period of forking larkspur) and YOLOv5s (small) with the highest rate of 45%, while the lowest value was YOLOv5n (nano) and th5 (seed setting period) with a value of 8%. This study is a first in terms of detecting weeds according to different fenelogical stages by computer vision.