Korunga (Onobrychis sp.) bitkisine ait dijital renkli fotoğraflar üzerinde görüntü işleme ve yapay zekâ yöntemleriyle optimum hasat zamanının tahmini

Basit Öğe Kaydı
dc.contributor.advisorŞakiroğlu, Muhammet
dc.contributor.authorAydin, Mahmut
dc.date.accessioned2026-05-09T09:20:54Z
dc.date.available2026-05-09T09:20:54Z
dc.date.issued2026
dc.departmentEnstitüler, Lisansüstü Eğitim Enstitüsü, Biyomühendislik Ana Bilim Dalı
dc.descriptionLisansüstü Eğitim Enstitüsü, Biyomühendislik Ana Bilim Dalı
dc.descriptionEmbargoed Access: 29.07.2026 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır.
dc.description.abstractKorunga (Onobrychis sp.), kurak ve yarı kurak iklim koşullarına uyumlu, çok yıllık bir baklagil yem bitkisidir. Düşük bakım ihtiyacı ve yüksek besin değeri sayesinde, ruminant hayvanların beslenmesinde önemli bir yere sahiptir. Korunga tohumları son zamanlarda insan ve hayvan tüketimi amacıyla alternatif birçok yıllık baklagil dane bitkisi olarak da geliştirilmektedir. Ancak korunga yeminin kalitesi, büyük ölçüde hasat zamanına bağlıdır. En uygun hasat zamanı, biyokütle miktarının yüksek ve besin madde içeriği ile sindirilebilirliğin maksimum olduğu evreye karşılık gelmektedir. Bu parametrelerin laboratuvar analizleriyle belirlenmesi hem zaman alıcı hem de maliyetlidir. Ayrıca, geleneksel yöntemlerle gerçekleştirilen hasat zamanı tahminleri ise taraflı ve zahmetli olmalarının yanı sıra, geniş alanlarda yetersiz kalmakta; bu durum ise verim, kalite ve ekonomik açıdan önemli kayıplara yol açmaktadır. Bu çalışmada, korunga bitkisinin verimliliğini ve ürün kalitesini artırmak amacıyla, 2024 yılında Kars ve Erzurum illerindeki dört farklı korunga arazisinde, farklı gelişim aşamalarında insansız hava aracı (İHA) ile yüksek çözünürlüklü fotoğraflar toplanmıştır. Toplanan görüntülerle eş zamanlı olarak 1m2'lik iki adet çerçeve uygulamasıyla araziden rastgele bitki örnekleri alınmıştır. Elde edilen bitki örneklerinin besin madde kompozisyonu (NDF, ADF, CP, CT) analiz sonuçları kullanılarak eş zamanlı toplanan görüntülerin gelişim evreleri, makine öğrenmesi algoritmaları yardımıyla "erken", "olgun" ve "geç" olarak etiketlenmiştir. Son aşamada, etiketlenen görüntülerden bir veri seti oluşturulmuş ve bu veri seti kullanılarak görüntü işleme ve yapay zekâ teknikleri ile korunga bitkisinin en uygun hasat zamanının tahmin edilmesi amaçlanmıştır. Çalışmada, transfer öğrenme yöntemi kullanılarak çeşitli evrişimsel sinir ağı (ESA) mimarilerinin performansları karşılaştırılmıştır; VGG-16, VGG-19, EfficientNetB7, DenseNet201, ResNet50 ve InceptionV3 modelleri değerlendirilmiştir. Yapılan karşılaştırmalar sonucunda en yüksek doğruluk %97 ile EfficientNetB7 modelinden elde edilmiştir. Geliştirilen yaklaşım, görüntü işleme ve yapay zekâ teknikleri kullanılarak yem bitkilerinde hasat zamanının daha doğru ve etkin bir şekilde belirlenmesini sağlayarak sürdürülebilir tarım uygulamalarına katkı sunmayı amaçlamaktadır.
dc.description.abstractSainfoin (Onobrychis sp.) is a perennial legume forage crop well adapted to arid and semi-arid climatic conditions. Due to its low maintenance requirements and high nutritional value, it holds a significant role in the diets of ruminant animals. Sainfon is also currently under domestication as a perennial pulse crop. However, the quality of sainfoin forage largely depends on the timing of harvest. The optimal harvest stage corresponds to the period when the plant has high biomass, and when nutrient content and digestibility are at their maximum. Identifying these parameters is both time-consuming and costly. Moreover, traditional methods for estimating harvest time are biased and laborious, and are insufficient for large areas; this situation leads to significant losses in terms of yield, quality, and economics. In this study, high-resolution photographs were collected using unmanned aerial vehicles (UAVs) at different stages of development in four sainfoin fields in Kars and Erzurum provinces in 2024 to increase the productivity and product quality of sainfoin. Simultaneously with the collected images, random plant samples were taken from the field using two 1m2 quadrats. Using the nutrient composition analysis results (NDF, ADF, CP, CT) of the obtained plant samples, the growth stages of the simultaneously collected images were labeled as "early," "mature," and "late" with the help of machine learning algorithms. In the final stage, a dataset was created from the labeled images, and this dataset was used to predict the optimal harvest time for the sainfoin plant using image processing and artificial intelligence techniques. In the study, the performance of various convolutional neural network (CNN) architectures was compared using the transfer learning method; VGG-16, VGG-19, EfficientNetB7, DenseNet201, ResNet50, and InceptionV3 models were evaluated. As a result of the comparisons, the highest accuracy of 97% was obtained from the EfficientNetB7 model. The developed approach aims to contribute to sustainable agricultural practices by enabling more accurate and efficient determination of harvest time in forage crops using image processing and artificial intelligence techniques.
dc.identifier.endpage?
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/tezSorguSonucYeni.jsp
dc.identifier.urihttps://hdl.handle.net/20.500.14669/3448
dc.identifier.yoktezid992725
dc.language.isotr
dc.publisherAdana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.snmzKA_20241211
dc.subjectBiyomühendislik
dc.subjectBioengineering
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
dc.subjectComputer Engineering and Computer Science and Control
dc.titleKorunga (Onobrychis sp.) bitkisine ait dijital renkli fotoğraflar üzerinde görüntü işleme ve yapay zekâ yöntemleriyle optimum hasat zamanının tahmini
dc.title.alternativePrediction of optimal harvest time by image processing and artificial intelligence methods on digital color photographs of sainfoin (Onobrychis sp.)
dc.typeDoctoral Thesis

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu