İHA ile meyvelerin olgunlaşmasının takibi ve çürük teşhisi

Basit Öğe Kaydı
dc.contributor.advisorKuncan, Melih
dc.contributor.advisorYıldırım, Burak
dc.contributor.authorYıldırım, Abdurrahman
dc.date.accessioned2024-12-24T18:13:42Z
dc.date.available2024-12-24T18:13:42Z
dc.date.issued2024
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
dc.descriptionFen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
dc.description.abstractTarım, insanlar için temel bir üretim sektörü olarak kabul edilmekte olup, sürekli olarak teknolojik ilerlemeler sayesinde önemli gelişmeler kaydetmiştir. Tarım, ülkelerin kalkınmasında etkili bir unsurdur nitekim ekonomisi tarıma dayalı olan bir çok ülke vardır. Tarımsal ekonomik ilerlemenin artırılabilmesi için modern ve teknolojik yöntemlerin kullanılması gerekmektedir. Bunun sonucunda tarımsal verimde önemli bir artış sağlanır ve ülkelerin ekonomisine büyük destek olur. Meyvelerin verimliliğin artırılması, olgunlaşmış ürünlerin kalitesini ve miktarını iyileştirerek tüketicilerin fiziksel sağlığını ve satın alma motivasyonlarını etkileyebilir. Ayrıca, piyasa fiyatının belirlenmesinde de önemli bir faktördür. Bu tez çalışması, tarım sektöründe meyve tespiti, analizi ve sayımı konularında YOLOv8 evrişimsel yapay sinir ağı modelinin etkinliğini araştırmaktadır. Çalışmada toplam 2223 görsel kullanılarak dört farklı meyve türü olan Elma, Portakal, Muz ve Nar sınıfları üzerinde çalışılmıştır. Modelin belirgin başarısı, özellikle meyvelerin olgunlaşma aşamalarını doğru bir şekilde belirleme yeteneği olarak öne çıkmaktadır. Eğitim süreci 60 döngü boyunca gerçekleştirilmiş olup, öğrenme hızı 2,5 ms olarak belirlenmiştir. Eğitim sürecinde modelin kayıp değeri sürekli olarak azalırken doğruluk değeri artmıştır. Detaylı değerlendirmeler sonucunda, modelin meyve türleri bazında başarı oranları şu şekildedir: Elma için %95,3, Portakal için %98,9, Muz için %93,8 ve Nar için %98,8. Modelin genel başarı oranı %97,09 olarak hesaplanmıştır, bu da modelin karmaşık ve değişken meyve özelliklerini doğru bir şekilde sınıflandırma yeteneğini vurgulamaktadır. Elde edilen sonuçlar, YOLOv8 modelinin tarım sektöründeki meyve tespiti ve sınıflandırma görevlerinde güvenilir bir performans sergileyebildiğini ve çeşitli meyve türlerini başarıyla ayırt edebildiğini göstermektedir. Ayrıca, İnsansız Hava Aracı (İHA) tarafından elde edilen görüntülerin deneysel analizi, YOLOv8 modelinin tarımsal uygulamalarda etkin bir şekilde kullanılabilirliğini ortaya koymuştur. Model, farklı meyve konumlarındaki tespiti, nitel analizi ve sayımını içeren çeşitli tarımsal uygulamalarda başarı elde etmiştir. Bu bulgular, modelin tarım sektöründe İHA görüntülerini analiz ederek meyve tespiti konusunda güvenilir bir performans sergilediğini ve tarımsal uygulamalarda etkili bir araç olarak kullanılabileceğini vurgulamaktadır.
dc.description.abstractAgriculture is considered a fundamental sector of production for humanity, having continuously advanced through technological innovations. Indeed, many countries with economies based on agriculture exist. To enhance agricultural economic progress, modern and technological methods must be employed. As a result, significant increases in agricultural productivity can be achieved, thereby providing substantial support to national economies. Improving the efficiency of fruit production can enhance the quality and quantity of ripe products, influencing consumers' physical health and purchasing motivations. Additionally, it plays a crucial role in determining market prices. This thesis study investigates the effectiveness of the YOLOv8 convolutional artificial neural network model on fruit detection, analysis and counting in the agricultural sector. A total of 2223 images were used as the training set. The study was conducted on classes such as Apple, Orange, Banana and Pomegranate, which include four different types of fruits. The outstanding success of the model is especially evident in its ability to successfully determine fruit ripening stages. The training process took place over 60 cycles, and the learning speed was determined as 2,5 ms. During training, the loss value of the model continuously decreased and the accuracy value increased. As a result of detailed evaluations, the success rates achieved by the model on the basis of fruit types are as follows: 95,% for Apple, 98,% for Orange, 93,8% for Banana and 98.8% for Pomegranate. The overall success rate of the model was determined to be 97,09%, which highlights the model's ability to accurately classify complex and variable fruit characteristics. The findings indicate that the YOLOv8 model can demonstrate reliable performance in fruit detection and classification tasks within the agricultural sector, successfully distinguishing between various fruit types. Furthermore, the experimental analysis of images obtained by Unmanned Aerial Vehicles (UAVs) has highlighted the effective usability of the YOLOv8 model in agricultural applications. The model has achieved success in various agricultural applications, including detection, qualitative analysis, and counting of fruits in different locations. These findings underscore the model's capability to reliably perform fruit detection from UAV images in the agricultural sector, positioning it as an effective tool for agricultural applications.
dc.identifier.endpage81
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=1pwTzRXnomYf6jwqVORfUcf47vqscGgAVpzFavzFeBr4d6TSHfaC2EqKKwbI-X2C
dc.identifier.urihttps://hdl.handle.net/20.500.12604/3636
dc.identifier.yoktezid874466
dc.language.isotr
dc.publisherSiirt Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241218
dc.subjectElektrik ve Elektronik Mühendisliği
dc.subjectElectrical and Electronics Engineering
dc.titleİHA ile meyvelerin olgunlaşmasının takibi ve çürük teşhisi
dc.title.alternativeMonitoring the maturation of fruits and diagnosis rotten with UAV
dc.typeMaster Thesis

Dosyalar

Koleksiyon

1) Tez