Loading…
Derin öğrenme ile bitkilerin sulama ihtiyacı tespiti/
Tarımın nüfus artışıyla birlikte beslenme ve sürdürülebilir gıda üretimi konusundaki zorlukları göz önüne alındığında, su kaynaklarının etkin bir şekilde kullanılması ve bitkilerin doğru sulama ile büyümesi kritik bir öneme sahiptir. Yapay Zeka (YZ), tarım alanında su yönetimi ve bitki sağlığının iz...
| Main Author: | |
|---|---|
| Corporate Authors: | , |
| Other Authors: | |
| Format: | Thesis |
| Language: | Turkish |
| Subjects: |
| Summary: | Tarımın nüfus artışıyla birlikte beslenme ve sürdürülebilir gıda üretimi konusundaki zorlukları göz önüne alındığında, su kaynaklarının etkin bir şekilde kullanılması ve bitkilerin doğru sulama ile büyümesi kritik bir öneme sahiptir. Yapay Zeka (YZ), tarım alanında su yönetimi ve bitki sağlığının izlenmesi için önemli araçlar sunmaktadır. Bu çalışma, bitki yapraklarından elde edilen görüntülerin Evrişimsel Sinir Ağları (ESA) ile analiz edilerek bitkilerin su ihtiyacını belirlemeyi amaçlamaktadır. Çalışma, iki farklı bitki türü olan Seleginella ve Kolyos üzerinde odaklanmaktadır. Sulama öncesi ve sulama sonrası durumlar arasındaki farklılıkları belirleyerek su ihtiyacını tespit etmeyi hedeflemektedir. Veri seti, bitkilerin sulamadan önce ve sonra farklı arka planlarda çekilen görüntülerini içermektedir. Toplamda, Seleginella bitkisine ait 504 adet ve Kolyos bitkisine ait 696 adet görüntü elde edilmiştir. Bu araştırmada iki farklı teknik belirlenmiştir; uygun ESA modelini eğitmek ve transfer öğrenme metodu kullanarak hangi tekniğin daha uygun olduğunu araştırmak. Transfer öğrenme metodunda GoogLeNet, Inception-v3, DenseNet, ResNet-18, DarkNet-201 mimarileri kullanılmıştır. Çalışmanın değerlendirilmesinde, test verisi üzerinden doğruluk, F1 skoru, kesinlik gibi metrikler kullanılarak modellerin performansı ölçülmüştür. Seleginella bitkisi için en yüksek test doğruluğuna sahip geliştirilen ESA modeli ile Inception-v3 modeli, 1 değerine ulaşmıştır. Kolyos bitkisi için en yüksek test doğruluğuna sahip ESA modeli ise ResNet-18 ve Inception-v3 modelleriyle elde edilmiş olup, doğruluk değeri 0.9958'dir. Geliştirilen ESA modeli Kolyos bitkisi için 0.9153 değeriyle yüksek test doğruluğu elde edilmiştir. Bunlara ek olarak hiperparametre ayarının sonuçlar üzerindeki etkisi vurgulanarak, öğrenme oranları, filtre boyutları ve optimizasyon algoritmalarının dikkatlice seçilmesinin genel performansı etkileyebileceği belirtilmiştir.. Bu noktada, daha geniş kapsamlı araştırmalara ve çeşitli hiperparametre kombinasyonlarına odaklanmak, modelin genel performansını daha da iyileştirebilir. Sonuç olarak, bu çalışma, tarım sektöründe sulama yönetimi ve yapay zeka uygulamalarının birleşimini ele alarak, ESA modelinin başarılı bir şekilde bitkilerin sulanma durumunu sınıflandırabildiğini göstermiştir. |
|---|---|
| Physical Description: | 73 sayfa ; 30 cm |
| Bibliography: | Kaynakça 69-73 sayfa |