Derin Öğrenme Yöntemleri Kullanılarak Beyaz Lahana Yaprak Hasarlarının Tespiti
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Bilecik Şeyh Edebali Üniversitesi, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: SERKAN SÖKMEN
Danışman: Vedat Marttin
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dünya nüfusunun giderek artması, iklim değişikliği gibi nedenlerle gıdaya olan ihtiyacın artmasıyla çiftçilerin daha verimli ve kaliteli ürünler yetiştirmesi gerekmektedir. Yetiştirilen ürünlerde bitkilerdeki hastalık ve zararlıların tespiti büyük önem taşımaktadır. Günümüzde genellikle hastalık ve zararlılar çiftçiler tarafından tespiti gözle kontrol edilerek yapılmaktadır. Bu tespit süreci büyük alanlarda üretim yapan çiftçiler için ciddi zaman almakla birlikte zararlının geç tespit edilmesine de sebep olabilmektedir. Günümüzde pek çok alanda yapay zekanın kullanımı yaygınlaşmaktadır. Tarım sektöründe yapay zekanın kullanımı, son yıllarda önemli ölçüde artış göstermiştir. Hastalıklı yaprakların tespiti, bitki büyüme dönemlerinde bitkinin sağlığı için kritik bir öneme sahiptir. Yapay zekanın kullanımında bitkiye ait görüntü işleme teknikleriyle bitki sağlığı takip edilebilmektedir. Bu çalışmada tarımsal üretimde hastalık tespiti sorununa yönelik olarak görüntü işleme ve derin öğrenme tekniklerini kullanılarak beyaz lahana bitkisine ait elde edilen görüntüler işlenerek You Only Look Once (YOLO) tekniği yardımıyla, hastalık belirtilerinin doğru bir şekilde sınıflandırılması ve lokalize edilmesi hedeflenmiştir. Çalışmada kullanılan veri seti için Bilecik/ Pazaryeri bölgesine ait yetiştirilen 3960 adet beyaz lahana fotoğrafları çekilmiş ve veri etiketlemesi yapılmıştır. Toplam etiket sayısı 75000 civarındadır. Etiketlenen veriler Colab platformu yardımıyla Python dili kullanılarak YOLO tekniğiyle eğitip sınıflandırılmıştır. Ağ modeli 500 devir (epoch) eğitilmiştir. Model etiket alanları kullanılarak hasarlı bölge oranı yüzde olarak hesaplanmıştır. Eğitilen model hasarlı bölgeleri %95 oranında doğru şekilde tespit ettiği görülmüştür. Önerilen yöntemin, tarımsal verimliliği artırma, hastalıkların yayılmasını önleme ve genel olarak tarım teknolojilerinin ilerlemesine katkı sağlama potansiyeline sahip olduğu düşünülmektedir.