Görüntü İşleme Teknikleri Kullanılarak Yapay Zeka Temelli Mandalina Ağacı Rekolte Tahmini

Öz

Rekolte tahmini, tarım sektöründe önemli bir konu olup, doğru tahminler çiftçilerin ve tarım sektörü ortaklarının planlama süreçlerinde daha bilinçli kararlar almasına yardımcı olmaktadır. Bu çalışmada, meyve sayısının ve rekolte tahmininin başarısı için, derin öğrenme tabanlı YOLOv8 algoritması ile desteklenen rekolte tahmin modeli geliştirilmiştir. Referans alınan mandalina ağacından tespit edilen meyve sayıları, sahadan alınan mandalina örneklerinin ağırlık ortalaması ile çarpılarak doğrudan kilogram (kg) cinsinden rekolte verisine dönüştürülmüş ve son kullanıcılar için PyQt5 tabanlı bir ara yüze entegre edilmiştir. Saha testleri sonucunda, referans ağaç üzerindeki meyve adedi %85.3’ lük başarı oranıyla; kilogram bazında rekolte tahmini ise %93.0'lük başarı oranıyla tespit edilmiştir. Bu başarı, geliştirilen mimarinin, tarım işletmelerinde hasat öncesi planlama süreçleri için oldukça önemlidir.

Anahtar Kelimeler

• YOLOv8
• Derin Öğrenme
• Görüntü İşleme
• Rekolte Tahmini
• Mandalina Ağacı

Artificial Intelligence-Based Prediction of Mandarin Tree Yield Using Image Processing Techniques

Öz

Yield estimation is a crucial aspect of the agricultural sector, as accurate forecasts enable farmers and industry stakeholders to make more informed decisions during planning processes. In this study, a yield estimation model supported by the deep learning-based YOLOv8 algorithm was developed to achieve high accuracy in fruit counting and harvest prediction. The number of fruits detected on a reference mandarin tree was multiplied by the average weight of field samples to directly calculate the yield in kilograms (kg). Furthermore, this system was integrated into a PyQt5-based graphical user interface (GUI) for practical end-user application. Field test results demonstrated an 85.3% accuracy rate in detecting the number of fruits on the reference tree, and a 93.0% accuracy rate in predicting the total yield by weight. This high level of accuracy indicates that the developed architecture holds significant importance for pre-harvest planning processes in agricultural enterprises.

Anahtar Kelimeler

• YOLOv8
• Deep Learning
• Image Processing
• Yield Estimation
• Mandarin Tree

Kaynakça

1. Tarım ve Orman Bakanlığı Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (TEPGE), "Turunçgiller Ürün Raporu 2024", Ürün Raporları Serisi, Ankara, 2025.
2. Y. Işık, M. Ünay, ve A. Kayabaşı, “Bilgisayarlı Görü Teknikleri Kullanılarak Yapay Zeka Temelli Limon Ağacı Rekolte Tahmini”, Müh.Bil.ve Araş.Dergisi, c. 4, sy 1, ss. 80–88, Nis. 2022, doi: 10.46387/bjesr.1090468.
3. U. Dorj, M. Lee, Y. Yun ve S. Lee, "An Yield Estimation in Citrus Orchards via Fruit Detection and Counting Using Image Processing," Computers and Electronics in Agriculture, vol. 140, pp. 103–112, 2017.
4. X. Zhang, M. Toudeshki, J. Zhang ve H. Liu, "Yield Estimation of Citrus Fruit Using Rapid Image Processing in Natural Background," Smart Agricultural Technology, vol. 2, no. 100021, 2022.
5. W. Zhang, J. Wang, Y. Liu, K. Chen, H. Li, Y. Duan, W. Wu, Y. Shi ve W. Guo, "Deep-Learning-Based In-Field Citrus Fruit Detection and Tracking," Horticulture Research, vol. 9, 2022.
6. Y. Li, Y. He, Y. Zhou, Z. Gong ve R. Huang, "Yield Evaluation of Citrus Fruits Based on YOLOv5 with Knowledge Distillation," IEEE Access, 2022.
7. H. Mirhaji, A. R. Ranjbar ve M. Omid, "Fruit Detection and Load Estimation of an Orange Orchard Using YOLO Models," Computers and Electronics in Agriculture, vol. 189, no. 106402, 2021.
8. M. Zhai, J. Jing, S. Dou, J. Du, R. Wang, J. Yan, Y. Song ve Z. Mei, "Deriving Early Citrus Fruit Yield Estimation by Combining Multiple Growing Period Data and Improved YOLOv8 Modeling," Sensors, vol. 25, no. 15, 4718.

9. M. Yaşar ve N. Yurtaslan, "Domates Meyvesinde Bazı Hastalıkların YOLOv8 Derin Öğrenme Algoritması ile Tespit Edilmesi," Tarım Makinaları Bilimi Dergisi, vol. 21, no. 1, pp. 18-35, 2025.
10. X. Wang, Y. Huang, S. Wei, W. Xu, X. Zhu, J. Mu, ve X. Chen, "ELD-YOLO: A Lightweight Framework for Detecting Occluded Mandarin Fruits in Plant Research," Plants, vol. 14, p. 11, no. 1729, 2025.
11. Z. Li, C. Li, ve P. Munoz, "Blueberry Yield Estimation Through Multi-View Imagery with YOLOv8 Object Detection," 2023 ASABE Annual International Meeting, Omaha, Nebraska, 2023.
12. E. Güngör Ulutaş, "Derin öğrenme yöntemleri ile meyve tanıma ve rekolte tahmini," Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Yozgat Bozok Üniversitesi, Yozgat, 2023.
13. G. H. Yaşar, “Görüntü İşleme İle Ağaç Meyve Yükünün Hesaplanması”, Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü Yüksek Lisans Tezi, 2019.
14. S. H. Kwon, J. Lee, H. Kim ve Y. Choi, "Enhancing Citrus Fruit Yield Investigations Through UAV Flight Altitude Optimization," Scientific Reports, vol. 14, no. 50921, 2024.
15. O. E. Apolo-Apolo, M. Pérez-Ruiz, J. Martínez-Guanter ve J. Valente, "A Cloud-Based Environment for Generating Yield Estimation Maps from UAV Imagery," Frontiers in Plant Science, vol. 11, no. 1086, 2020.
16. B. Ulu, "Meyve bahçelerinde derin öğrenme yöntemi ile rekolte tespiti için uçan robotik sistem tasarımı deneysel uygulaması," Doktora Tezi, Fen Bilimleri Enstitüsü, Erciyes Üniversitesi, Kayseri, 2023.
17. O. Er, B. Çetişli, M. M. Sofu, ve M. C. Kayacan, “Gerçek zamanlı otomatik elma tasnifleme”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 17, no. 2, pp. 31-38, 2013.
18. A. Ali, M. I. Shah, M. Ahmad ve S. Khan, "Fruit Yield Estimation of Kinnow Mandarin Orchards Using Remote Sensing," Arabian Journal of Geosciences, vol. 19, no. 12453, 2026.
19. Riverbank Computing Limited, "PyQt5 Reference Guide," 2023. [Çevrimiçi]. Erişim: https://www.riverbankcomputing.com/software/pyqt