Çay ve Eğrelti Otunun YOLOv5 ve YOLOv8 Algoritmaları ile Karşılaştırmalı Tespiti

Yıl 2024, Cilt: 5 Sayı: 1, 74 – 88, 30.06.2024

Özgür Önder Yasin Karan

https://doi.org/10.53501/rteufemud.1402167

Öz

Çay yaprağı toplanırken içerisine farklı otlar karışabilmektedir. Daha kaliteli, sağlıklı ve lezzetli çay üretimi için bu sorunu önlemek ve yönetmek için güvenilir ve doğru bir teşhis ve tanımlama sistemi gereklidir. Bu sistem hem otonom çay hasadı sistemlerinde hem de çay kurutma fabrikaları girişlerinde kullanılabilecektir. Bu çalışma, çay bahçelerinden toplanan çay yaprakları ve içerisine en çok karışan eğrelti otundan oluşan veri kümesi üzerinde en hızlı nesne algılama modeli olan sadece bir kez bak (You Only Look Once, YOLO) algoritmasında v5 ve v8 olmak üzere iki farklı versiyonda eğiterek çay yaprağı içerisine karışan eğrelti otu sorununa yapay zeka tabanlı bir çözüm sunmayı amaçlamaktadır. Çay bahçelerinden alınan 747 dijital görüntü toplanarak veri seti oluşturuldu. Daha sonradan veri artırma yöntemleri kullanılarak veriler çoğaltılıp 1395 görüntü haline getirildi. Model eğitimleri arttırılmış son veri setine göre yapıldı. Her bir modelin eğitimi için aynı veri seti kullanıldı. YOLOv5 yaklaşımı için tanımlama sonuçları kesinlik, duyarlılık, mAP değeri ve F1-skoru parametrelerine göre sırasıyla %84,4, %81,0, %84,4 ve %0,83 ve YOLOv8 için tanımlama sonuçları sırasıyla %86,7, %79,9, %86,7 ve %0,83 çıkmıştır. Deneysel sonuçlar, bitki tespiti için YOLOv8 algoritmasının daha yüksek performansı göstererek üstün olduğunu göstermektedir. Bu çalışmanın iş yükünü en aza indirmesi ve çaya karışan otların hızlı bir şekilde tanımlanmasına ve tespit edilmesine yardımcı olarak kalite ve lezzet sorunlarının en aza indirilmesinde yapılacak çalışmalara desteği öngörülebilir.

Anahtar Kelimeler

Yapay zeka, çay yaprağı, eğrelti otu, nesne tespiti, YOLO

Teşekkür

Bu çalışmada desteklerinden dolayı İNCE ARGE ekibinden Berkan Emre İNCE ve Soner TOKÇALAR’a teşekkür ederiz.

Kaynakça

• Aktaş, A., Demir, Ö., Doğan, B. (2020). Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1685-1700. https://doi.org/10.17341/gazimmfd.652101
• Alan, A. ve Karabatak, M. (2020). Veri seti-sınıflandırma ilişkisinde performansa etki eden faktörlerin değerlendirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 531-540. https://doi.org/10.35234/fumbd.738007
• Altay, A., Yılmaz, S. (2023). YOLO Algoritması Kullanılarak T Hücrelerinin Sınıflandırılması. İleri Mühendislik Çalışmaları ve Teknolojileri Dergisi, 3(2), 66-81. https://dergipark.org.tr/en/pub/imctd/issue/75051/1230096
• Biçgi, M. ve Karaca, İ. (2022). Nesne tespit algoritması (YOLOv4) kullanarak patates böceğinin (Leptinotarsa decemlineata)(Say) patates bitkisi üzerinde tespiti ve populasyon izleme olanakları. Türk Bilim ve Mühendislik Dergisi, 4(2), 123-129. https://doi.org/10.55979/tjse.1210904
• Brucal, S., De Jesus, L., De Los Santos, J., Mendoza, M., Harion, K., Reyes, G., Nevalasca, D., Reyes, J. (2023). Development of Tomato Leaf Disease Detection using Single Shot Detector (SSD) Mobilenet V2. International Journal Of Computing Sciences Research, 7, 1857-1869. https://www.stepacademic.net/ijcsr/article/view/405
• Cengil, E. and Çınar, A. (2021). Poisonous mushroom detection using YOLOV5. Turkish Journal of Science and Technology, 16(1), 119-127. https://dergipark.org.tr/en/pub/tjst/issue/60560/873764
• Cömert, O., Hekim, M., Adem, K. (2019). Faster R-CNN kullanarak elmalarda çürük tespiti. International Journal of Engineering Research and Development, 11(1), 335-341. https://doi.org/10.29137/umagd.469929
• Hanbay, K. ve Üzen, H. (2017). Nesne tespit ve takip metotları: Kapsamlı bir derleme. Türk Doğa ve Fen Dergisi, 6(2), 40-49. https://dergipark.org.tr/en/pub/tdfd/issue/33022/367257
• Kıvrak, O. ve Gürbüz, M.Z. (2022). Performance comparison of yolov3, yolov4 and yolov5 algorithms: A case study for poultry recognition. Avrupa Bilim ve Teknoloji Dergisi, (38), 392-397. https://doi.org/10.31590/ejosat.1111288
• Koklu, M., Unlersen, M.F., Ozkan, I.A., Aslan, M.F., Sabanci K. (2022). A CNN-SVM study base on selected deep features for grapevine leaves classification. Measurement, 188, 110425. https://doi.org/10.1016/j.measurement.2021.110425
• Nergiz, M. (2023). Enhancing Strawberry Harvesting Efficiency through Yolo-v7 Object Detection Assessment. Turkish Journal of Science and Technology, 18(2), 519-533.
• https://doi.org/10.55525/tjst.1342555
• Omura, K., Yahata, S., Ozawa, S., Ohkawa, T., Chonan, Y., Tsuji, H., Murakami, N. (2018). An Image Sensing Method to Capture Soybean Growth State for Smart Agriculture Using Single Shot MultiBox Detector. In 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 1693-1698). IEEE. https://doi.org/10.1109/SMC.2018.00293
• Öztürk, K. ve Şahin, M.E. (2018). Yapay sinir ağları ve yapay zekâ’ya genel bir bakış. Takvim-i Vekayi, 6(2), 25-36. https://dergipark.org.tr/tr/pub/takvim/issue/40063/427526
• Sardoğan, M., Özen, Y., Tuncer, A. (2020). Detection of apple leaf diseases using faster R-CNN. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 8(1), 1110-1117. https://doi.org/10.29130/dubited.648387
• Soeb, M.J.A., Jubayer, M.F., Tarin, T.A., Al Mamun, M.R., Ruhad, F.M., Parven, A., Meftaul, I.M., (2023). Tea leaf disease detection and identification based on YOLOv7 (YOLO-T). Scientific Reports, 13(1), 6078. https://doi.org/10.1038/s41598-023-33270-4
• URL–1, (2023). https://www.kaggle.com/datasets/ozguronder1/tea-fern-dataset, 3 Eylül 2023.
• Yanılmaz, S., Türkoğlu, M., Aslan. M (2024). Güneş Enerjisi Santrallerinde YOLO Algoritmaları ile Hotspot Kusurlarının Tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(1), 121-132. https://doi.org/10.35234/fumbd.1318060
• Yıldırım, B. ve Cagıl, G. (2020). Bir montaj parçasının derin öğrenme ve görüntü işleme ile tespiti. Journal of Intelligent Systems: Theory and Applications, 3(2), 31-37. https://doi.org/10.38016/jista.710144
• Yıldız, S. ve Midilli, A. (2022). Türkiye’de organik çay üretimi ve pazarlaması. Recep Tayyip Erdoğan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 3(2), 136-145. https://doi.org/10.53501/rteufemud.1174700
• Yılmaz, S. (2023). Beyin tümörü tanıları için YOLOv7 algoritması tabanlı karar destek sistemi tasarımı. Kocaeli Üniversitesi Fen Bilimleri Dergisi, 6(1), 47-56. https://doi.org/10.53410/koufbd.1236305

Toplam 21 adet kaynakça vardır.

Ayrıntılar

Kaynak Göster

Download or read online: Click here