Salata-Marulda Derin Öğrenme Yöntemleri Kullanılarak Robotik Hasat Kriterlerinin Tespiti

Bu çalışmada, salata marul yetiştiriciliğinde derin öğrenme metodlarından YOLOv5n, YOLOv5s ve Yolov5m kullanılarak hasat zamanı tespiti belirlenmeye çalışılmıştır. Herbir metot için 640x640 çözünürlük üzerinden eğitim yapılmıştır. Bu eğitim metodlarından hangi metodun ve hangi çözünürlüğün tam sonuç vereceği incelenmiştir. Oluşturan üç modelin tüm metrik değerleri incelenmiştir. En başarılı model YOLOv5n algoritmasıyla, 640x640 boyutundaki görselleri 10 batch size olarak 150 epoch ile eğitilmiş “Model 1” model olduğu görülmüştür. Model değerleri sonuçları “metrics/precision”, “metrics/recall”, “metrics/mAP_0.5” ve “metrics/mAP_0.5:0.95” olarak incelenmiştir. Bunlar, bir modelin tespit başarısını ölçen anahtar metriklerdir ve ilgili modelin doğrulama veri kümesinde gösterdiği performansı belirtmektedir. “Model 1” modelinin metrik verileri, diğer modellerle kıyaslandığında daha yüksek olduğu tespit edilmiştir. Ölçülen değer Model 1: Size: 640x640, Batch: 10, Epoch: 150, Algorithm: YOLOv5n’dir. Buradan “Model 1” in robotik marul hasadında, marulun hasat kriterin bulunması için kullanılacak en iyi tespit modeli olduğu anlaşılmıştır.
Anahtar Kelimeler:

Derin öğrenme, Yolov5, marul, hasat

___

  • Anonim 1, https://tr.wikipedia.org/wiki/Derin_ögrenme(Erişim tarihi:15.05.2023)
  • Anonim 2,https://www.beyaz.net/tr/yazilim/makaleler/ derin_ogrenme_deep _learning_nedir.html(Erişim tarihi:15.05.2023)
  • Anonim 3,https://alitunacanonar.medium.com/derin-ögrenme-yöntemleri-ve-uygulamaları-1ce215de40e8 (Erişim tarihi:15.05.2023)
  • ASLAN, M. ,(2021). Derin Öğrenme ile Şeftali Hastalıkların Tespiti. European Journal of Science and Technology, 23, 540–546. https://doi.org/10.31590/ejosat.883787
  • Bai, Y., Mao, S., Zhou, J., Zhang, B., (2023). Clustered tomato detection and picking point location using machine learning-aided image analysis for automatic robotic harvesting. Precision Agriculture, 24(2), 727–743. https://doi.org/10.1007/s11119-022-09972-6
  • Bayraktar, K. ,(1981). Sebze Yetiştirme. Cilt II.(Kültür Sebzeleri). E.Ü. Ziraat Fakültesi Yayınları, Bornova-İzmir, No:169 480s.
  • Brahimi, M., Boukhalfa, K., Moussaoui, A., (2017). Deep Learning for Tomato Diseases: Classification and Symptoms Visualization. Applied Artificial Intelligence, 31(4), 299–315. https://doi.org/10.1080/08839514.2017.1315516
  • Diop, P. M.,Takam, O., J.,Nakamura, Y.,Nakamura, M. ,(2020). A Machine Learning Approach to Classification of Okra;35th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC), Nagoya, Japan, 2020, pp. 254-257.
  • Doğan M.S, (2019), Bitkilerde Görülen Hastalıkların Derin Öğrenme Yöntemleriyle Tespiti Ve Sınıflandırılması, Yalova Üniversitesi ,Fen Bilimleri Enstitüsü ,Bilgisayar Mühendisliği Ana Bilim Dalı , Bilgisayar Mühendisliği Bilim Dalı,Yüksek Lisans Tezi.
  • Eşiyok, D. ,(2012). Kışlık ve Yazlık Sebze Yetiştiriciliği. 404 s. Bornova, İzmir.
  • Günay, A. ,(1993). Özel Sebze Yetiştiriciliği Cilt V. A.Ü. Ziraat Fakültesi Bahçe Bitkileri Bölümü, Ankara, s. 531. Hassim, S. A., Chuah, J. H. (2020). Lettuce classification using convolutional neural network. Food Research, 4, 118–123. https://doi.org/10.26656/fr.2017.4(S6).029
  • Mao,S.,Li,Y.,Ma,Y.,Zhang,B.,Zhou,J.,Wang,K.,(2020),Automatic Cucumber Recognition Algorithm For Harvesting Robots In The Natural Environment Using Deep Learning And Multi-Feature Fusion, Computers and Electronics in Agriculture 170 (2020) 105254, Elsevier Publishing.
  • Sane, T. U., Sane, T. U., (2021). Artificial Intelligence and Deep Learning Applications in Crop Harvesting Robots-A Survey. 3rd International Conference on Electrical, Communication and Computer Engineering, ICECCE 2021. https://doi.org/10.1109/ICECCE52056.2021.9514232
  • Seo,D.,Cho,B.,Kim,K., (2021). Development of monitoring robot system for tomato fruits in hydroponic greenhouses. Agronomy, 11(11), 2211, doi: 10.3390/agronomy11112211
  • Thompson, C.H., Kelly, W.C., (1957). Vegetable Crops. Mc Graw Hill BookCompany Inc., New York Vural, H., D. Eşiyok ve İ. Duman, (2000). Kültür Sebzeleri (Sebze Yetiştirme). Ege Üniversitesi Basım Evi, Bornova, İzmir.
Türk Tarım ve Doğa Bilimleri Dergisi-Cover
  • ISSN: 2148-3647
  • Yayın Aralığı: Yılda 4 Sayı
  • Başlangıç: 2014
  • Yayıncı: Prof. Dr. Mevlüt AKÇURA
Sayıdaki Diğer Makaleler

Mekânsal İmge Oluşturmada Cupressus sempervırens var. pyramıdalıs Bitkisinin Rolü

Ayşenur AKBANA, Müge YURTCAN

Shinrin-Yoku (Orman Banyosu) Uygulaması İçin Bir Alan Önerisi: Günlüklü Koyu Sığla Ormanı

Zeynep R. ARDAHANLIOĞLU

Öğrencilerin “Süs Bitkisi” Tanımı ve İşlevselliği Üzerindeki Algıları: Siirt Üniversitesi Örneği

Arzu ÇIĞ, Nazire MIKAIL

Bingöl’ün Genç İlçesinden Temin Edilen Crataegus orientalis (Doğu Alıcı) Meyvesinin Bazı Biyokimyasal Değerlerinin Tespit Edilmesi

A. Şükrü BENGÜ, Halil İbrahim ERTEM, Mahire BAYRAMOĞLU AKKOYUN

Çanakkale Kent Merkezi Aktif Yeşil Alan Potansiyelinin CBS Ortamında Analizi

Melda AÇMAZ ÖZDEN, Emre ÖZELKAN

Sürdürülebilirlik Sürecinde Yağmur Suyu Hasadı: Sinop Üniversitesi Kuzey Yerleşkesi Örneği

Pınar SELİMOĞLU, Ruşen YAMAÇLI

Farklı pH’lardaki Sulama Sularının, Cd ile Kontamine Olmuş Toprakta Yetiştirilen Sorgum Bitkisinin, Bazı İz Element (Zn, Mn, Co, Cr, Ni ve Pb) İçeriklerine Etkisi

Hava Şeyma YILMAZ, Bedriye BİLİR, Erdal ÇAÇAN, Selim ÖZDEMİR, Eren İNAK, Faik BİNGÖL

Samsun Örneğinde Klimatik Özelliklerin Aronya Yetiştiriciliği Açısından Analizi

Yahya KADIOĞLU, Yusuf YILMAZ

Güney Marmara Bölgesi Kabakgil Üretim Alanlarında Cucumis melo endornavirus Enfeksiyonunun Belirlenmesi ve İzolatların Moleküler Karakterizasyonu

Ali KARANFİL, Filiz RANDA ZELYÜT, Savaş KORKMAZ

Trabzon Kestane Poleni: Fizikokimyasal, Biyoaktif ve Mikrobiyolojik Özellikleri

Emine SÖNMEZ