Ege Bölgesinde yenilebilen ve yenilemeyen yabani otların derin öğrenme yöntemi ile tespiti
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tarımda sürdürülebilirlik, dünyanın içinde bulunduğu ve son yıllarda etkisinin hissedildiği küresel ısınma ve iklim değişikliğinde önem arz eden konuların başında gelmektedir. Kültür bitkilerine talep artarken bilinçsiz kaynakların kullanımı ve gereğinden fazla gübreleme veya ilaçlama yapılması tarımsal alanların ve kültür bitkisinin kalite ve verimini azaltmaktadır. Bu durum yabani ot popülasyonun artışına neden olabilmektedir ve bu yüzden tarımdaki sürdürülebilirlik tehlikeli boyutlara ulaşabilmektedir. Tarlalarda yetiştirilmesi hedeflenen kültür bitkisi haricinde kalan bitkiye yabani ot denilmektedir. Bu otlar genelde istenmeyen ve hızlıca çoğalarak kültür bitkisinin kaynaklarını tüketirler. Yabani otların kontrol altına alınması, çiftçiler için hem kaynak hem de zaman bakımından maliyetlidir ve tarımsal alandaki kültür bitkisinin verimini olumsuz yönde etkilemektedir. Bu çalışma, yabani otların derin öğrenme yöntemleri kullanılarak tespit edilmesine olanak sağlayarak kullanıcılar için hem kaynak hem de zaman açısından maliyeti azaltmayı hedeflemiştir. Literatürdeki çalışmalardan farklı olarak Ege Bölgesinde bulunan ve 22 tanesi yenilebilir 15 tanesi yenilemez toplam 37 yabani ot türünün olduğu veri kümesi oluşturulmuş ve Tensorflow içerisindeki bulunan 71 adet derin öğrenme yöntemleri bu veri seti üzerinde test edilmiştir. Orijinal veri kümesi ve veri artırımı yapılmış veri kümesi kullanarak derin öğrenme mimarileri eğitilmiş ve en yüksek doğruluk değerine sahip ilk 5 derin öğrenme modeli listelenmiştir. Orijinal veri kümesinde sırasıyla en yüksek doğruluk değerine sahip ilk 5 model ConvNeXtXLarge, ConvNeXtLarge, ConvNeXtBase, ResNetRS50 ve ResNet50'dir. Veri artırımı yapılmış veri kümesinde ise sırasıyla en yüksek doğruluk değerine sahip ilk 5 model ConvNeXtXLarge, ConvNeXtLarge, ConvNeXtBase, ResNetRS50 ve ResNetRS152'dir. Bu sonuçların arasından en yüksek doğruluk değerini veri artırımı yapılmış veri kümesinde %99,05±%1,00 ile ConvNeXtXLarge olmuştur. Oluşturulan derin öğrenme modeli Flutter ile mobil uygulamaya entegre edilerek modelin gerçek hayat uygulanabilirliği ve davranışı test edilmiştir.
Açıklama
Anahtar Kelimeler
Sürdürülebilir Tarım, Derin Öğrenme, Evrişimsel Sinir Ağları, Yabani Otlar, Kültür Bitkisi., Sustainable Agriculture, Deep Learning, Convolutional Neural Networks, Weeds, Crops.
