Yazar "Özcan, Recai" seçeneğine göre listele
Listeleniyor 1 - 3 / 3
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Comparison of Plant Detection Performance of CNN-based Single-Stage and Two-Stage Models for Precision Agriculture(Selçuk Üniversitesi, 2022) Özcan, Recai; Tütüncü, Kemal; Karaca, MuratThe fact that arable land is not increasing in proportion to the ever-increasing population will increase the need for food in the coming years. For this reason, it is necessary to increase the yield of crops to make optimum use of arable land. One of the most important reasons for the decrease in yield and quality of crops is weeds. Herbicides are generally preferred for weed management. Due to deficiencies in herbicide application methods, only 0.015-6% of herbicides reach their target. The use of herbicides, which is an important part of the agricultural system, is an issue that needs to be emphasized, considering the risk of residue and environmental damage. In parallel with the rapid development of electronic and computer technologies, artificial intelligence applications have had the opportunity to develop. In this context, the use of artificial intelligence for plant detection in the subsystems of herbicide application machines will contribute to the development of precision agriculture techniques. In this study, the plant detection performances of single-stage and two-stage Convolutional Neural Network (CNN)-based deep learning (DL) models are evaluated. In this context, a dataset was created by taking images of Zea mays, Rhaponticum repens (L.) Hidalgo, and Chenopodium album L. plants in agricultural lands in Konya. With this dataset, the training of the models was carried out by the transfer learning method. The evaluation metrics of the trained models were calculated using the error matrix. In addition, training time and prediction time were used as quantitative metrics in the evaluation of the models. The plant detection performance, training time, and prediction time of the models were 85%, 8 h, 1.21 s for SSD MobileNet v2 and 99%, 22 h, 2.32 s for Faster R-CNN Inception v2, respectively. According to these results, Faster R-CNN Inception v2 is outperform in terms of accuracy. However, in cases where training time and prediction time are important, the SSD MobileNet v2 model can be trained with more data to increase its accuracy.Öğe Görüntü İşleme ve Evrişimsel Sinir Ağları Yöntemleriyle Bitki Tespiti İçin Bilgisayarlı Görü Sistemi Geliştirilmesi(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2022) Özcan, Recai; Tütüncü, KemalGünümüzde, mahsul verimini etkileyen yabancı otları kontrol altına almada en çok herbisit adı verilen kimyasal maddeler tercih edilmektedir. Herbisitlerin yoğun kullanımının olumsuz etkilerini azaltmak amacıyla kullanılan hassas tarım tekniklerinin geliştirilmesi için Bilgisayarlı Görü (BG) teknolojilerine dayalı yapay zekâ çözümlerine ihtiyaç duyulmaktadır. Ancak, bu görev için ideal bir aday olan Derin Öğrenme (DÖ) alanında son yıllarda kaydedilen tüm ilerlemelere rağmen, algılama başarımını etkileyen bazı zorluklar hâlen mevcuttur. Bunlardan biri, algılamanın görüntüdeki arka plandan etkilenmesidir. Bitki görüntüleri genellikle yetiştikleri ortamda alınabildiğinden, görüntüde olması istenmeyen toprak, taş ve ölü bitki kalıntılarını da içerirler. Görüntü işleme tekniklerine dayalı segmentasyon ile bitki görüntülerinden bunları içeren arka planın kaldırılması, algılama modellerinin başarımını arttırabilir. Bu tez çalışmasında, bir görüntüdeki canlı (fotosentetik) bitkileri otomatik olarak görüntüdeki diğer nesnelerden ayırarak segmente edebilen Bitki Görüntüleme Tekniği (BGT) geliştirilmiştir. Ayrıca arka plan kaldırmanın Evrişimsel Sinir Ağları (ESA) tabanlı algılama modellerinin başarımları üzerindeki etki araştırılmıştır. Bu bağlamda hassas tarıma uygun bir görü sisteminin geliştirilmesi amaçlanmıştır. Önerilen yöntemin başarısını göstermek ve karşılaştırılabilir sonuçlar elde etmek amacıyla, Konya Ovası arazilerinde 15 Mayıs ile 16 Haziran 2020 tarihleri arasında ve 3 Mayıs ile 5 Haziran 2021 tarihleri arasında toplam 5000 bitki görüntüsü alınmıştır. Görüntü alımları, %100 gerçek koşullar altında, zemin seviyesinden yaklaşık 0.65 m yükseklikten, 10 ile 48 MP arasında değişen çözünürlüklere sahip çeşitli dijital kameralar ve mobil cihazlar kullanılarak gerçekleştirilmiştir. Veri seti tez kapsamında geliştirilen BGT ve Etiketleme ve Veri seti oluşturma Yazılımı (EVY) ile işlenerek 640x640 boyutlarında Ham Görüntüler (HG) ve Arka Planı Çıkarılmış Görüntüler (APÇG) oluşturulmuştur. Bu görüntüler %80 eğitim ve %20 test oranlarında alt kümelere ayrılarak model eğitimlerinde kullanılmıştır. Algılama modelleri transfer öğrenme yöntemi kullanılarak eğitilmiştir. Model değerlendirmesinde, 0.5 ten 0.95'e kadar 0.5 arttırılarak belirlenen Birleşim Üzerinde Kesişim (IoU) eşik değerleri kullanılmıştır. Değerlendirme metriği olarak, her tür için ayrı hesaplanan Ortalama Kesinlik (AP), tüm türler için AP değerinin ortalaması alınarak hesaplanan mAP kullanılmıştır. Genel değerlendirme için ise tüm IoU eşiklerinde mAP değerinin ortalaması alınarak hesaplanan ortalama mAP metriği kullanılmıştır. Ham görüntüler ile eğitilen modellerle karşılaştırıldığında, arka planı çıkarılmış görüntüler ile eğitilen Faster R-CNN ResNet-101 v1, SSD MobileNet v2 FPNLite ve EfficientDet-D1 modelleri ortalama mAP değerinde sırasıyla %13.62, %12.43 ve %11.55 oranlarında artış ile daha yüksek başarı vermiştir. Bu sonuçlar, önerilen arka plan kaldırma yöntemin ESA tabanlı DÖ modellerinin bitki algılama performansını arttırdığını ve geliştirilen görü sisteminin hassas tarım için umut verici olduğunu göstermektedir.Öğe Pastane vitrinleri iklimlendirme otomasyonu(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2015-07-03) Özcan, Recai; Tütüncü, KemalBu çalışma ile günlük üretimi en fazla olan vitrin ürünlerinden yaş pasta için gerekli saklama koşullarının (+4°C ve %70 RH - %80 RH) pastane vitrininde sağlanması için kontrol sistemi tasarlanmış ve gerçekleştirilmiştir. Bulanık Mantık (BM) tabanlı olarak gerçekleştirilen gömülü kontrol sistemi PIC programlanarak oluşturulmuştur. Oluşturulan sistem, vitrin içi sıcaklığı +4°C ve nemi %70 RH - %80 RH arasında tutmaktadır. Giriş değişkenleri sensörlerden okunan sıcaklık ve nem, çıkış değişkenleri ise DC fan, AC fan ve ultrasonik atomizerin darbe genişlik modülasyonu (PWM) kademeleridir.
