İnsansız hava aracı görüntüleri üzerinden derin öğrenme tabanlı yabani ot tespiti ve sınıflandırılması
Year: 2026
Type: dissertation
Abstract: Bu tez çalışması, ayçiçeği üretiminde verim kaybını önlemek amacıyla erken dönem yabani ot tespitine yönelik Görüntü Dönüştürücü tabanlı derin öğrenme modellerinin geliştirilmesini ve İnsansız Hava Araçları platformlarındaki pratik uygulanabilirliğini kapsamlı biçimde ele almaktadır. Bu doğrultuda İHA'dan elde edilen yüksek çözünürlüklü KYM ve multispektral ortofoto görüntüleri kullanılarak dört farklı derin öğrenme mimarisi karşılaştırmalı olarak değerlendirilmiştir. İki farklı test alanında ayçiçeği bitkilerinin kritik gelişim evresi olan 3-4 yapraklı fenolojik aşamada gerçekleştirilmiş ve sahaya özgü üç sınıflı veri setleri oluşturulmuştur. Görüntüler, 50×50 piksellik yama bazlı bir sınıflandırma yaklaşımıyla işlenmiş; bu boyutun hem lokal detayları hem bağlamsal bilgiyi dengeli biçimde kapsadığı ve saha uygulama sistemlerinin hassasiyetiyle uyumlu olduğu gösterilmiştir. Modellerin eğitiminde öğrenme aktarımı tercih edilmiş hiperparametre optimizasyonu gerçekleştirilmiştir. ViT mimarisinin geleneksel konvolüsyonel sinir ağlarına kıyasla belirgin bir üstünlük sergilediğini ortaya koymuştur. ViT, KYM bantlarında %99.18, multispektral bantlarda ise %99.48 test doğruluğuna ulaşırken yabani ot tespitinde %99-100 kesinlik değeri elde etmiştir. Hesaplama verimliliğini artırmak amacıyla uygulanan budama işlemi sonucunda geliştirilen ViT Pruned modeli, %50 boyut küçülmesi ve %87 hız artışı sağlarken doğrulukta yalnızca %0.73'lük bir kayıpla optimal bir doğruluk verimlilik dengesi sunmuştur. MobileNetV2 en yüksek işleme hızına ulaşmış olmakla birlikte multispektral verilerde performans kaybı yaşamıştır. NASNetMobile ise %95.83-96.08 doğrulukla dört mimari arasında en düşük başarıyı göstermiştir. Tez kapsamında öne çıkan bir diğer bulgu multispektral bantların sınıflandırma doğruluğuna katkısının beklenenin oldukça altında kalmasıdır. ViT'te yalnızca %0.30 puanlık iyileşme sağlayan multispektral veriler konvolüsyonel modellerde ise olumsuz etki göstererek doğruluğu düşürmüştür. Bu sonuçlar KYM bantlarının ayçiçeği, yabani ot ve boş alan sınıflandırması için tek başına yeterli olduğunu ve maliyeti yaklaşık 10 kat daha yüksek olan multispektral sensörlerin maliyet fayda dengesinin ciddi biçimde sorgulanması gerektiğini ortaya koymaktadır. Sahaya özgü yabani ot yönetimi boyutunda ise her iki test alanında %40-46 arasında yüksek yabani ot yoğunluğu saptanmış ve ancak görüntüleme yapılan fenolojik aşamada ayçiçeği bitkileri henüz ciddi bir rekabet baskısıyla karşılaşmamıştır. Bu kritik pencerede gerçekleştirilen erken müdahale ilerleyen dönemde oluşabilecek %20-40'lık verim kayıplarının önüne geçmiş ve %54-60 oranında herbisit tasarrufu sağlamıştır. Sonuç olarak bu tez sahaya özgü yabani ot kontrolünün teorik bir konseptin ötesinde, somut ve ölçülebilir ekonomik aynı zamanda çevresel faydalar sunan pratik bir çözüm olduğunu kanıtlamıştır. Geliştirilen modeller arasından ViT çevrimdışı reçete haritalama için, ViT Pruned ise gerçek zamanlı saha uygulamaları için önerilmektedir. Elde edilen %99.18-99.48 doğruluk ve %54-60 herbisit tasarrufu değerleri hassas tarım teknolojilerinin sürdürülebilir ayçiçeği üretimindeki stratejik önemini ve bu çalışmanın bilimsel literatüre sunduğu özgün katkıyı doğrulamaktadır.
Author: FATİH ÇELİK
Institution: Yıldız Technical University
Language: Turkish
Topic: Smart Agriculture and AI
Subfield: Plant Science
Domain: Life Sciences
SDG: Zero hunger
Open Access status: green
OpenAlex ID: W7219469564
