Tolun, Mehmet ReşitUzun, Yusuf2023-05-092023-05-0920232023-12-22https://hdl.handle.net/20.500.12451/10761Nowadays, the most critical agriculture-related problem is the harm caused to fruit, vegetable, nut, and flower crops by harmful pests, particularly the Mediterranean fruit fly, Ceratitis capitata, named Medfly. Medfly's existence in agricultural fields must be monitored systematically for effective combat against it. Special traps are utilised in the field to catch Medflies which will reveal their presence and applying pesticides at the right time will help reduce their population. A technologically supported automated remote monitoring system should eliminate frequent site visits as a more economical solution. This paper develops a deep learning system that can detect Medfly images on a picture and count their numbers. A particular trap equipped with an integrated camera that can take photos of the sticky band where Medflies are caught daily is utilised. Obtained pictures are then transmitted by an electronic circuit containing a SIM card to the central server where the object detection algorithim runs. This study employs a faster region-based convolutional neural network (Faster RCNN) model in identifying trapped Medflies. When Medflies or other insects stick on the trap's sticky band, they spend extraordinary effort trying to release themselves in a panic until they die. Therefore, their shape is badly distorted as their bodies, wings, and legs are buckled. The challenge is that the deep learning system should detect Medflies of distorted shape with high accuracy. Therefore, it is crucial to utilise pictures that contain trapped Medfly images with distorted shapes for training and validation. In this academical study, the success rate in identifying Medflies when other insects are also present is 94.05%, achieved by the deep learning system training process, owing to the considerable amount of purpose-specific photographic data. This rate may be seen as quite favourable when compared to the success rates provided in the literature.Günümüzde tarımla ilgili başlıca sorun, kısaca AMS olarak adlandırılan Akdeniz meyve sineği (Ceratitis capitata) başta olmak üzere zararlı haşerelerin meyve, sebze, kabuklu yemiş ve çiçek ürünlerine verdiği zarardır. Bu tehdit ile etkin mücadele edilebilmesi için tarım alanlarındaki AMS varlığının sistematik şekilde izlenmesi gerekir. Bu amaçla sahada özel tuzaklar kullanılarak mevcudiyetleri takip edilerek doğru zamanda pestisit uygulanması yoluyla popülasyonlarının kontrol altında tutulmasına çalışılır. Geleneksel yöntemlerde tuzakların gözlenmesi için sık sık yapılması gereken saha ziyaretleri külfetli ve zor olduğundan günümüzde teknolojik olarak desteklenen otomatik uzaktan izleme sistemlerine ihtiyaç vardır. Bu çalışmada bir resimdeki AMS görüntülerini algılayabilen ve sayısını verebilen bir derin öğrenme sistemi geliştirilmiştir. Günlük olarak tuzağın içindeki yapışkan bandın fotoğrafını çekebilen entegre edilmiş kamera ile donatılmış özel bir tuzak kullanılmaktadır. Çekilen resimler SIM kart içeren bir elektronik devre aracılığıyla nesne algılama algoritmasının çalıştığı merkezi sunucuya iletilir. Bu algoritma fotoğrafta AMS bulunup bulunmadığını, var ise kaç adet olduğu otomatik olarak tespit edilir. Bu çalışmada tuzağa yakalanmış AMS'leri belirlemede daha hızlı bir bölge tabanlı evrişimsel sinir ağı (faster R-CNN) modeli kullanılmıştır. AMS'ler ve diğer haşereler tuzağın yapışkan bandına yapıştıklarında panik içinde kendilerini kurtarmak amacıyla ölene kadar olağanüstü çaba harcarlar. Bu nedenle, vücutları, kanatları ve bacakları evrilip bükülür, şekilleri kötü bir şekilde bozulur. Buradaki zorluk, derin öğrenme sisteminin bu bozuk şekilli AMS'leri yüksek doğrulukla tanıyabilmesi gerektiğidir. Bu nedenle, akıllı sistem eğitimi ve doğrulama aşamalarında tuzağa yakalanmış bozuk şekillere sahip AMS görüntüleri içeren resimlerin kullanılması çok önemlidir. Bu çalışmada oluşturulan derin öğrenme sisteminin eğitilmesi sürecinde çok sayıda amaca yönelik özel fotoğrafın veri olarak kullanılması sayesinde bir fotoğraftaki AMS'lerini tanımlamada %94.05 gibi bir başarı oranı yakalanabilmiştir. Bu oran literatürde bulunan güncel çalışmalardaki başarı oranları ile karşılaştırıldığında oldukça başarılı olduğu söylenebilir.eninfo:eu-repo/semantics/openAccessFight Against Mediterranean Fruit FlyAutomatic Pest MonitoringPest EtrapPesticide Optimization in AgricultureFaster R-CNNDeep LearningAkdeniz Meyve Sineği ile MücadeleOtomatik Haşere İzlemeTarımda Pestisit PotimizasyonuDerin ÖğrenmeFaster R-CNNHaşere e-tuzakDoctoral Thesis