Ziya Altaş

Ziya Altaş

Auto-generated profile, based on publicly available information

Ziya Altaş

Department of Biosystems Engineering, Tokat Gaziosmanpaşa University

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
22 September 2022 in Multimedia Tools and Applications
Verified
Journal Article
Closed access
PDF file
KAKemal ADEM
Kemal ADEM
MOMehmet Metin Ozguven
Mehmet Metin Ozguven
ZAZiya Altas
Ziya Altas

30 June 2022 in Ordu Üniversitesi Bilim ve Teknoloji Dergisi
Verified
Journal Article
Open access
PDF file
MOMehmet Metin Ozguven
Mehmet Metin Ozguven
ZAZiya Altaş
Ziya Altaş
DGDerya Güven
Derya Güven
AÇArif Çam
Arif Çam
Tarım, yaşamın sürdürebilmesi için hayati bir faaliyet alanı olmakla birlikte, tarım dışı diğer sektörlere hammadde sağlaması, milli gelir ve istihdama katkısı nedeniyle de stratejik bir faaliyet alanıdır. Teknolojinin hızla gelişmesiyle ortaya çıkan yeni teknikler veya cihazların tarımda kullanılması tarımsal uygulamaların daha kolay ve etkin yapılabilmesini sağlamaktadır. Son yıllardaki en popüler teknolojik gelişmelerden biri olan drone’ların tarımda kullanımı yaygınlaşmakta ve yeni uygulama alanlarının da eklenmesiyle daha da popüler hale gelmektedir. Drone’ların popüler olması ve tarımda kullanımı, tarım dışı farklı disiplinlerden olanların da ilgisini çekmektedir. Farklı disiplinlerde olanların tarım konusundaki bazı teknik bilgilerinin yetersiz olmasından dolayı, drone’un tarımda kullanımı ile ilgili yanlış bilgiler veya efektif olmayan kullanımlar da oluşabilmektedir. Bu çalışmada, drone ve bileşenleri, drone’un avantaj ve dezavantajları, drone ile kullanılabilen kamera ve sensörler hakkında bilgiler verilmiştir. Daha sonra günümüzde tarımda drone kullanım alanları örnek uygulamalar ile açıklanmış ve gelecekte tarımda drone kullanımı ile öngörüler sunulmuştur. Ayrıca drone’un tarımda kullanımı ile bazı yanlış bilgiler ve efektif olmayan kullanımlar hakkında açıklamalar yapılmıştır.

31 January 2023 in Turkish Journal of Agriculture - Food Science and Technology
Verified
Journal Article
Open access
PDF file
ZAZiya Altaş
Ziya Altaş
MOMehmet Metin Ozguven
Mehmet Metin Ozguven
KAKemal ADEM
Kemal ADEM
Türkiye is one of the countries with the most important vineyard areas in the world, where the most grape production is made. Vineyard diseases are one of the most important reasons that adversely affect the productivity in viticulture. In this study, some vineyard diseases were detected and classified using the Faster R-CNN deep learning model, which is an artificial intelligence approach. These diseases are powdery mildew, downy mildew, dead arm disease, grapevine leaf roll-associated virus disease (GLRaV) and grapevine fan leaf nepovirus (GFLV) diseases that are common and cause economic problems. The proposed method is trained and tested using 11000 images. At the end of the study, the overall accuracy rate was found to be 92%. The proposed approach gave better results than similar methods in the literature. Therefore, it was concluded that the method can be used reliably in the detection and classification of some vineyard diseases.

30 December 2021 in Uluslararası Tarım ve Yaban Hayatı Bilimleri Dergisi
Verified
Journal Article
Open access
PDF file
ITİsmail Terzi̇
İsmail Terzi̇
MOMehmet Metin Ozguven
Mehmet Metin Ozguven
ZAZiya Altaş
Ziya Altaş
ANSYS, araştırma ve geliştirme uygulamalarında analizlerin ve simülasyonların yapılabildiği bilgisayar destekli mühendislik programıdır. Mekanik, yapısal analiz, hesaplamalı akışkanlar dinamiği ve ısı transferi gibi farklı hesaplamalı uygulamalarda ANSYS programı kullanılmaktadır. Bu çalışmada, ANSYS paket yazılım programı genel hatlarıyla açıklanmaya çalışılmış, ANSYS’in tarımdaki uygulamalarına yönelik bazı çalışmalara yer verilmiş ve tarım arabası aksının modellemesi ve analizi yapılmıştır. Tarım arabalarında dikdörtgen kesitli ve dairesel kesitli akslar kullanılmaktadır. Bu nedenle çalışmada hem dikdörtgen kesitli hem de dairesel kesitli aks üzerinde statik bir analiz yapılmış ve her iki akstan elde edilen sonuçlar karşılaştırılmıştır. Bulgularda her iki aksa ait eşdeğer gerilim, eşdeğer elastik gerilim, toplam deformasyon ve güvenlik faktörü analizleri elde edilmiştir. SolidWorks programı kullanılarak aksların katı modellemesi 3 boyutlu olacak şekilde oluşturulduktan sonra ANSYS Workbench kullanılarak modelleme sonrası aksların çalışma şartları gerçeğe uygun olacak şekilde simüle edilmiş ve akslar üzerinde oluşan gerilme dağılımları incelenerek gerilmelere ait gerekli analizler yapılmıştır. Sonuç olarak ise, maksimum eşdeğer gerilim, dairesel kesitli aksta 15.892 MPa, dikdörtgen kesitli aksta ise 12.026 MPa’dır. Maksimum eşdeğer elastik gerilim, dairesel kesitli aksta 7.9463e-5 mm mm-1, dikdötrgen kesitli aksta ise 6.8408e-5 mm mm-1’dir. Toplam deformasyon dairesel kesitli aksta 0.077806 mm, dikdörtgen kesitli aksta ise 0.053021 mm’dir. Güvenlik faktörü ise her iki aksta da eşit olarak bulunmuştur.

25 August 2026 in Spanish Journal of Agricultural Research
Verified
Journal Article
Open access
Tahsin UygunTahsin Uygun
Tahsin Uygun
MOMehmet Metin Ozguven
Mehmet Metin Ozguven
ZAZiya Altas
Ziya Altas
Aim of study: To develop a real-time detection system for grape leaf blister mite (Eriophyes vitis (Pagst.)), a significant pest in vineyards, using deep learning models. Early detection of pests and diseases is essential to mitigate agricultural losses, especially considering challenges such as climate change, shrinking agricultural areas, and increasing food demand. Area of study: The study was conducted in vineyard areas located in Tokat, Türkiye, a region known for its extensive viticulture. Material and methods: An Arduino Tiny ML kit and the Edge Impulse platform were utilized to deploy the FOMO (Faster Objects, More Objects) MobileNetV2 0.1 model. The model was trained using a custom dataset of grape leaf blister mite images and validated against expert observations. Real-time detection of blister counts caused by E. vitis was evaluated through comparative metrics. Main results: The trained model achieved a classification success of 90% with an F1 score on the validation dataset and an accuracy of 96.25% on the test dataset. Blister numbers were assessed using both expert observations and the real-time detection system, resulting in RMSE (Root Mean Squared Error) of 1.862 and a MAPE (Mean Absolute Percentage Error) of 15.63%. These results demonstrate the system’s reliability in detecting vineyard pests with high precision. Conclusions: The proposed system provides a practical, cost-effective, and accurate approach for pest detection in vineyards, offering significant potential to enhance pest management strategies and reduce economic losses in agriculture.