Tarım araçlarında görüntü işleme tabanlı otonom sürüş yöntemlerinin karşılaştırılması ve bitki tespiti
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Akıllı Sistemler Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: ANSELME ATCHOGOU
Danışman: Cengiz Tepe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Artan küresel nüfus ve gıda üretimi üzerindeki baskılar, sürdürülebilir tarım için maliyet etkin otonom sistemlerin geliştirilmesini zorunlu kılmaktadır. Bu tez çalışmasında, pahalı GNSS ve LiDAR sistemlerine alternatif olarak, düşük maliyetli monoküler RGB kamera ve IMU sensörü kullanan, tam otonom bir tarımsal navigasyon ve bitki tespit sistemi geliştirilmiştir. Çalışma kapsamında; klasik görüntü işleme, CNN tabanlı bitki algılama (YOLOv11n) ve CNN tabanlı ürün sırası segmentasyonu (YOLOv11n-seg) olmak üzere üç farklı navigasyon metodolojisi, aynı simülasyon ve gerçek dünya koşullarında karşılaştırmalı olarak değerlendirilmiştir. Bitki türü tespiti için beş farklı CNN mimarisi kıyaslanmış, EfficientNetB0 %98,03 doğrulukla en iyi performansı gösterirken, YOLOv11n-cls modeli %96,59 doğruluk ve yüksek işlem hızıyla gerçek zamanlı uygulamalar için en uygun aday olarak belirlenmiştir. Navigasyon testlerinde, CNN tabanlı bitki algılama yöntemi; doğruluk, hız ve kararlılık açısından en dengeli performansı sergilemiştir. Simülasyon ortamında 0,40° ± 1,40° (ortalama ± standart sapma) açısal hata ile çalışan sistem, gerçek saha koşullarındaki tek sıra takiplerinde -0,37° ± 3,36° kararlılık seviyesine ulaşmıştır. Literatürdeki çalışmaların aksine, bu tez sadece sıra takibi ile sınırlı kalmamış; görsel servoing ve IMU verilerini birleştiren hibrit bir mimari ile sıra sonu dönüşlerini ve çoklu sıra geçişlerini de içeren "tam otonom navigasyon" yeteneğini gerçek sahada doğrulamıştır. Tam otonom görevlerde elde edilen -0,84° ± 6,69° sapma değeri, sistemin karmaşık manevralarda dahi güvenli sınırlar içinde kaldığını göstermektedir. Elde edilen bulgular, önerilen sistemin hesaplama kısıtlı donanımlarda (Jetson Orin Nano) gerçek zamanlı (~17 FPS) ve kararlı bir şekilde çalışabildiğini kanıtlamaktadır.