Derin öğrenme teknikleri kullanılarak meyve ve sebzede çeşitli hastalıkların tespit edilmesi
| dc.authorid | 0000-0003-0168-2384 | |
| dc.contributor.advisor | Acar, Emrullah | |
| dc.contributor.author | Özcan, Sevil | |
| dc.date.accessioned | 2024-08-16T06:53:12Z | |
| dc.date.available | 2024-08-16T06:53:12Z | |
| dc.date.issued | 2023-09-28 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Elektrik-Elektronik Mühendisliği Bölümü Anabilim Dalı | |
| dc.description.abstract | Meyve ve sebze hastalıklarının gıda güvenliği ve sürdürülebilir tarım pratikleri açısından kritik önemi bulunmaktadır. Dolayısıyla hastalıklar ürün verimini düşürmekte, kaliteyi azaltmakta ve böylece küresel gıda arzını tehdit etmektedir. Bu hastalıklar aynı zamanda biyoçeşitliliği de olumsuz etkilemekte, ekosistem dengesini bozmakta ve çiftçilerin geçim kaynaklarını zayıflatmaktadır. Bu çalışmada, derin öğrenme teknikleri kullanılarak meyve ve sebzelerde görülen hastalıkların tespiti yapılmıştır. Bu araştırma kapsamında 12 sınıfa ait 2907 adet RGB görüntüden çevrimiçi bir veri seti elde edilmiştir. Her sınıf için veri genişletme yöntemi ile veri seti 2907'den 17442’e kadar çıkarılmıştır. Meyve ve sebzelerdeki çeşitli hastalıkların tespiti için 10 katmanlı evrişimli derin ağ modeli oluşturulmuş ve ön eğitimli derin ağ mimarileri ( InceptionV3 ve ResNet50) kullanılmıştır. Elde edilen sonuçlar, en başarılı yöntemleri belirlemek için zaman ve başarı oranı açısından karşılaştırılmıştır. Sağlanan analizlerin sonuçları ayrıca tasarlanan bu gerçek zamanlı sistem ile meyve ve sebzelerde hastalık görüntülerini tespit etme ve tahminlerini bilgisayar ekranına aktarmak için gerçekleştirilmiştir. | |
| dc.description.abstract | Fruit and vegetable diseases have critical importance in terms of food safety and sustainable agricultural practices. Therefore, diseases reduce crop yields, reduce quality and thus threaten the global food supply. These diseases also negatively affect biodiversity, disrupt ecosystem balance and weaken farmers' livelihoods. In this study, the diseases seen in fruits and vegetables were determined by using deep learning techniques.Within the scope of this research, an online data set was obtained from 2907 RGB images belonging to 12 classes. The data set was increased from 2907 to 17442 with the data augumentıon method for each class.For the detection of various diseases in fruits and vegetables, a 10-layer convolutional deep network model was created and pre education deep network architectures (InceptionV3 and ResNet50) were employed. The obtained results were compared in terms of time and success rate to determine the most successful methods. The results of the analyzes provided were also carried out with this designed real-time system to detect disease images in fruits and vegetables and transfer their predictions to the computer screen. | |
| dc.identifier.citation | Özcan, S. (2023). Derin öğrenme teknikleri kullanılarak meyve ve sebzede çeşitli hastalıkların tespit edilmesi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4731 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Aktarımlı Öğrenme | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Evrişimli Sinir Ağları | |
| dc.subject | Görüntü Örüntüsü Tanıma | |
| dc.subject | Meyve ve Sebze Hastalıklarını Tanıma | |
| dc.subject | Convolutional Neural Networks | |
| dc.subject | Deep Learning | |
| dc.subject | Fruit and Vegetable Disease Recognition | |
| dc.subject | Image Pattern Recognition | |
| dc.subject | Transferred Learning | |
| dc.title | Derin öğrenme teknikleri kullanılarak meyve ve sebzede çeşitli hastalıkların tespit edilmesi | |
| dc.title.alternative | Detection of various diseases in fruit and vegetables using deep learning techniques | |
| dc.type | Master Thesis |
