Derin öğrenme yöntemleri kullanılarak Diyarbakır yöresi karpuzu görüntülerinden ağırlığının tahmin edilmesi
| dc.authorid | 0000-0003-1609-5908 | en_US |
| dc.contributor.advisor | Koç, Savaş | |
| dc.contributor.author | Kayra, Halil | |
| dc.date.accessioned | 2022-10-04T05:48:32Z | |
| dc.date.available | 2022-10-04T05:48:32Z | |
| dc.date.issued | 2022-08-18 | en_US |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Makine Mühendisliği Anabilim Dalı | en_US |
| dc.description.abstract | Bu tez çalışmasında Diyarbakır yöresinde yetişen karpuzların görüntüleri kullanılarak derin öğ-renme metotlarıyla karpuzların ağırlık tahmini yapılmıştır. Çalışmada 5000 adet karpuz görüntüsü kullanıl-mıştır. Diyarbakır yöresinde yetiştirilen karpuzların market ve semt pazarlarında fotoğrafları çekilerek bilgisayar ortamında kayıt altına alınmıştır. Toplanan karpuz görüntülerinin arka planları alındıktan sonra maskeleri Python programında yapılmıştır. Maskeler U-Net mimarisinde kullanılmak üzere eğitim dosyasına alınmıştır. Derin öğrenme yöntemlerinde evrişimli sinir ağları ile U-Net mimarisi kullanılmıştır. Görüntülerin segmentasyonu başarılı bir şekilde yapılmıştır. U-Net mimarisi %99,65 ora-nında başarılı bir şekilde karpuz görüntüsünü geometrik olarak tahmin etmiştir. U-Net modelinde elde edilen görüntülerden piksel alan metodu ile karpuzun görüntüde kapladığı alan oranı hesabı yapılmıştır. Görüntülerin boy ve en pikselleri belirlendikten sonra yapay sinir ağı ile eğitimlerine geçilmiştir. En iyi mimariyi bulmak için yapay sinir ağları 9 farklı mimari ile eğitimi yapılmıştır. En iyi mimari 4 gizli kat-mana sahip 1024 birime ayrılmış olan ve aktivasyon fonksiyonu olarak ReLU kullanılan mimari olmuş-tur. Görüntülerden elde edilen karpuz verilerinin çok katmanlı yapay sinir ağlarında eğitilmesi ile test doğruluk oranı %92,59 ve eğitim doğruluk oranı ise %94,43 bulunmuştur. Sonuç olarak oluşturulan derin öğrenme yöntemi saye-sinde 65 cm mesafede fotoğrafı çekilen karpuz görüntülerinin kaç kilo aralığında olduğu tahmin edecek bir program oluşturularak dijital tarım alanındaki çalışmalara katkıda bulunacaktır. | en_US |
| dc.description.abstract | In this thesis study, using the images of watermelons grown in the Diyarbakır region, the weight estimation of watermelons was made by deep learning methods. 5000 watermelon images were used in the study. Photographs of watermelons grown in the Diyarbakir region were taken in markets and neigh-borhood markets and recorded in a computer environment. After the backgrounds of the collected watermelon images were taken, their masks were made in the Python program. Masks are included in the training file to be used in the U-Net architecture. Convolutional neural networks and U-Net architecture are used in deep learning methods. Segmentation of images has been done successfully. The U-Net archi-tecture has successfully predicted the watermelon image geometrically at a rate of 99.65%. The area ratio of the watermelon in the image was calculated by using the pixel area method from the images obtained in the U-Net model. After the height and width pixels of the images were determined, training with the artificial neural network was started. To find the best architecture, artificial neural networks were trained with 9 different architectures. The best architecture was the one that was divided into 1024 units with 4 hidden layers and ReLU was used as the activation function. By training the watermelon data obtained from the images in multilayer artificial neural networks, the test accuracy rate was 92.59% and the training accuracy rate was 94.43%. As a result, thanks to the deep learning method created, a prog-ram that will estimate the weight of watermelon images taken at a distance of 65 cm will contribute to the studies in the field of digital agriculture. | en_US |
| dc.identifier.citation | Kayra, H. (2022). Derin öğrenme yöntemleri kullanılarak Diyarbakır yöresi karpuzu görüntülerinden ağırlığının tahmin edilmesi (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4279 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Derin Öğrenme | en_US |
| dc.subject | Evrişimli Sinir Ağları | en_US |
| dc.subject | Karpuz | en_US |
| dc.subject | U-Net | en_US |
| dc.subject | Yapay Sinir Ağları | en_US |
| dc.subject | Artificial Neural Networks | en_US |
| dc.subject | Convolutional Neural Networks | en_US |
| dc.subject | Deep Learning | en_US |
| dc.subject | Watermelon | en_US |
| dc.title | Derin öğrenme yöntemleri kullanılarak Diyarbakır yöresi karpuzu görüntülerinden ağırlığının tahmin edilmesi | en_US |
| dc.title.alternative | Estimating weight from Diyarbakir region watermelon images using deep learning methods | en_US |
| dc.type | Master Thesis | en_US |
