Bilgisayarlı Görü Teknikleri Kullanılarak Yapay Zeka Temelli Limon Ağacı Rekolte Tahmini

Öz

Tarım, insanlar için her zaman en önemli üretim sektörlerinden birisi olmuş ve insanlık tarihinin ilk zamanlarından bu zamana kadar sürekli olarak teknolojik gelişim içinde olmuştur. Günümüzde tarım alanında bilgisayarlı görü teknikleri de yaygın olarak kullanılmaktadır. Limon bahçelerinde ağaçlar üzerindeki meyveler olgunlaşıp satışa hazır hale geldiğinde, toplam meyve rekoltesi bu konuda deneyimli insanlar tarafından tahmin edilir ve satış işlemi bu tahmin verisi üzerinden gerçekleşir. Bu araştırma ile, ağaçlardan alınan ve bilgisayar ortamına aktarılan meyve görüntüleri üzerinde bilgisayarlı görü tekniklerinin kullanılması ile elde edilen sayısal veriler kullanılarak yapay sinir ağının meyve rekoltesi tahmini yapabilmesi sağlanmıştır. Böylece deneyimli insanların rekolte tahmini yerine sayısal veriler ile rekolte tahmininin yapılması sağlanarak daha güvenli bir alış-veriş ortamının oluşması amaçlanmıştır.

Anahtar Kelimeler

• Tarım
• Limon Tespiti
• Rekolte Tahmini
• Görüntü İşleme
• Yapay Sinir Ağı

Artificial Intelligence Based Prediction of Lemon Tree Yield Using Computer Vision Technique

Öz

technological development since the early times of human history. Computer vision techniques are also widely used in agriculture today. In the lemon groves, when the fruits on the trees are ripe and ready for sale, the total fruit yield is estimated by experienced people and the sales process takes place based on this forecast data. With this research, the artificial neural network can make fruit yield estimation by using the numerical data obtained by using computer vision techniques on the fruit images taken from the trees and transferred to the computer environment. Thus, it was aimed to create a safer shopping environment by enabling experienced people to estimate the yield with numerical data instead of estimating the yield.

Anahtar Kelimeler

• Agriculture
• Lemon Detection
• Yield Prediction
• Image Processing
• Artificial Neural Network

Kaynakça

1. Referans1. Linker, R., Cohen, O. ve Naor, A., “Determination of the number of green apples in RGB images recorded in orchards”, Computers and Electronics in Agriculture, 81, 45-57, 2012.
2. Referans2. Er, O., Çetişli, B., Sofu, M. M. ve Kayacan, M. C. , “Gerçek zamanlı otomatik elma tasnifleme”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 17(2), 31-38, 2013.
3. Referans3. Kurtulmuş, F. , “Olgunlaşmamış Şeftali Meyvesini Doğal Bahçe Koşullarında Alınmış Görüntülerde Görüntü İşleme Teknikleri Ve Yapay Sınıflandırıcılarla Saptayarak Sayan Algoritmaların Geliştirilmesi”, Uludağ Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi, 2013.
4. Referans4. Ören, S. , “Görüntü İşleme Yöntemi ile Salatalık Kalite Değişiminin Sayısal Analizi”, Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2012.
5. Referans5. Yaşar, G. H., “Görüntü İşleme İle Ağaç Meyve Yükünün Hesaplanması”, Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü Yüksek Lisans Tezi, 2019.
6. Referans6. Tosun, O., “Görüntü İşleme İle Yaprak Alanı Ölçüm Sistemi Tasarımı”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2015.
7. Referans7. Akıncı, İ. B., “Gerçek Zamanlı Olarak Meyveleri Görüntü İşleme İle Sınıflandıran Otomasyon Sistemi”, Karabük Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2017.
8. Referans8. Ergezer, H., Dikmen, M. ve Özdemir, E. , “Yapay Sinir Ağları Ve Tanıma Sistemleri”, Pivolka, 2(6), 14-17, 2003.

9. Referans9. Kav, R., “Meteorolojik Parametrelerden Minimum ve Maksimum Hava Sıcaklığının Regresyon ve Yapay Sinir Ağları Yöntemi ile Tahmini”, Selçuk Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2019.
10. Referans10. Gonzales R. C. , Woods R. E. , “Digital Image Processing”, 4. Edition, 2018.
11. Referans11. Çankaya, G., Arslan, M. H., & Ceylan, M. , “Görüntü işleme ve yapay sinir ağları yöntemleri ile betonun basınç dayanımının belirlenmesi”, Selçuk Üniversitesi Mühendislik Fakültesi Bilim ve Teknoloji Dergisi, 2013
12. Referans12. Jahne, B. , “Practical handbook on image processing for scientific and technical applications”, CRC press, (Chapter 1), 2014.
13. Referans13. Küpeli, C., Bulut, F. , “Görüntüdeki Tuz Biber ve Gauss Gürültülerine Karşı Filtrelerin Performans Analizleri”, Haliç Üniversitesi Fen Bilimleri Dergisi 2020, 3/2: 211-239, 2020.
14. Referans14. Zhu, Y., Huang, C. , “An Improved Median Filtering Algorithm for Image Noise Reduction”, Physics Procedia. 25, 609-616, 2012.
15. Referans15. N Otsu - IEEE transactions on systems, man, and cybernetics, 1979.