Element Eksikliği Olan Bölgelerdeki Ürünlerin Derin Öğrenme ve İha ile Sınıflandırılması

Abstract

İnsansız hava aracı (İHA) teknolojisinin sivil alanda kullanıma geçmesi ile kullanım alanı genişlemiştir. Tarımsal çalışmalardan sinema sektörüne kadar birçok alanda yaygın olarak kullanılmaktadır. Uydu görüntülerinden daha yüksek doğrulukta, hızlı ve uygun maliyetli veri üretimi İHA'ların daha çok tercih edilmesini sağlamaktadır. Derin öğrenme, en çok araştırma yapılan ve uygulama geliştirilen yapay zekâ çalışma alanlarından biridir. Derin öğrenme, görüntülerin sınıflandırılmasında klasik yöntemlere kıyasla genellikle yüksek başarılar elde eden bir yöntemdir. Bu başarının temelinde çok katmanlı sinir ağlarına sahip olması yatmaktadır. Verilerin özniteliklerini doğrudan tespit etmesi ile yapılacak iş yükünü azaltması ve eğitilmiş bir ağ için sonuç elde etmenin kısa sürmesi açısından önemlidir. Bu tez çalışmasında, Karaman ili Kisecik köyüne ait çalışma alanında element eksikliği olan mısır bitkilerinin sınıflandırılması amaçlanmıştır. İHA ile 3 farklı tarihte 2 farklı irtifadan olmak üzere toplam 6 uçuş gerçekleştirilmiştir. Veri setleri, İHA ile alınan görüntülerin 270x270 piksel boyutundaki alt görüntülerinin alınması ile oluşturulmuştur. Derin sinir ağ mimarilerinden olan VGG-16 modeli geliştirilerek eğitilmiş ve element eksikliği olan mısır görüntülerinin sınıflandırılması gerçekleştirilmiştir. Model sonuçları, uzman tespiti ile karşılaştırılarak test edilmiştir. Yapılan çalışma sonucunda, en iyi sonuç 8 Temmuz 2021 tarihli 50m irtifadan alınan görüntülerle eğitilen modelden alınmıştır. Model performansı %97 olarak hesaplanmıştır.

Unmanned aerial vehicle (UAV) technology has been widely used in many fields from the agricultural sector to the cinema sector in recent years. Higher accuracy, fast and cost-effective data production from satellite images of unmanned aerial vehicles makes it more preferred. Deep learning is one of the most researched and applied fields of artificial intelligence. In addition, it is a method that generally achieves high success in classifying images compared to classical methods. The basis of this success lies in the fact that it has multi-layered neural networks. It is important in terms of reducing the workload by directly detecting the attributes of the data and obtaining results for a trained network. In this thesis, it is intended to classify the element deficient corn plants in the study area of Kisecik village of Karaman province. A total of six flights were carried out from the corn field by UAV on 3 different dates from 2 different altitudes. The datasets were created by taking subimages of 270x270 pixels. The VGG-16 model, which is one of the deep neural network architectures, has been developed and trained with the help of the model, and the classification of the corn images with element deficiencies was carried out. Model results were tested by comparing with expert determination. As a result, the best result was obtained from the model trained with images taken from 50m altitude dated 8 July 2021. Model performance was calculated as 97%.