Şeker Pancarı Üretiminde Kullanılan Yapay Zekâ Teknikleri

Yıl 2022, Cilt: 3 Sayı: 2, 54 - 59, 31.05.2022

Yasin Çiçek Ahmet Uludag Eyyüp Gülbandılar

https://doi.org/10.53608/estudambilisim.1102769

Cited By: 1

Öz

Endüstriyel devrim ile birlikte gıda sanayinin ve insan vücudunun gerekli duyduğu enerjinin ana kaynağı ve tatlandırıcı ihtiyaçlarını karşılamak amacı ile şeker üretimi başlamıştır. Doğal yollarla şeker ihtiyacını karşılamak için şeker kamışı ve şeker pancarı bitkilerinden elde etmektedir. Biz de bu çalışmamızda bu ana kaynaklardan biri olan şeker pancarının üretimin de yapay zekâ kullanımına bir literatür taraması yaparak bu konuda çalışma yapacak araştırmacılara bir bakış kazandırmak hedeflenmiştir.

Anahtar Kelimeler

Şeker Pancarı, Şeker Pancar Ürün Kalitesi, Şeker Pancarı Üretimi, Yabancıot, Yapay Zekâ

Artificial Intelligence Techniques in Sugar Beet Production

Öz

Sugar production has begun with the industrial revolution to supply the need for the sweeteners and the main source of energy in human body. Sugar is most commonly produced from sugar beets and sugar canes. In this study, the authors aim to provide a perspective to potential researchers in "artificial intelligence applications in sugar beet production" with a literature review in said field.

Anahtar Kelimeler

Keywords: Sugar Beet, Sugar Beet Product Quality, Sugar Beet Production, Weed, Artificial Intelligence

Kaynakça

• [1] Şentürk Ö, Şeker Pancarı Ürün Raporu, 2020, Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (TEPGE), Ankara, 21s.
• [2] Eştürk, Ö. (2018). Türkiye’de şeker sektörünün önemi ve geleceği üzerine bir değerlendirme. Anadolu İktisat ve İşletme Dergisi, 2(1), 67-81.
• [3] Soltani, N., Dille, J. A., Robinson, D. E., Sprague, C. L., Morishita, D. W., Lawrence, N. C., ... & Sikkema, P. H. (2018). Potential yield loss in sugar beet due to weed interference in the United States and Canada. Weed Technology, 32(6), 749-753.
• [4] Jursík, M., Holec, J., Soukup, J., & Venclová, V. (2008). Competitive relationships between sugar beet and weeds in dependence on time of weed control. Plant Soil and Environment, 54(3), 108.
• [5] Özgür, O. E. (2003). Türkiye Şeker Pancarı Hastalıkları. Türkiye Şeker Fabrikaları.
• [6] Yardimci, N., ÇULAL-KILIÇ, H., & Ürgen, G. (2012). Eskişehir ili şeker pancarı üretim alanlarında görülen bazı virüs hastalıklarının DAS-ELISA yöntemiyle belirlenmesi. Ziraat Fakültesi Dergisi, 7(1), 42-50.
• [7] Ozgur, O. E. (2014). Şeker Pancarı (The Sugar Beet Crop). Filiz Matbaacılık San. Ve Tic. Ltd. Sti., Ankara, 228 s.
• [8] Arif, S. A. R. I., & BOYRAZ, N. (2019). Konya İli Çumra Yöresinde Şekerpancarında Görülen Fungal Hastalıklar Üzerine Genel Bir Değerlendirme. Bahri Dağdaş Bitkisel Araştırma Dergisi, 8(2), 279-288.
• [9] KAYA, R. 2017. Şeker pancarında Cercospora yaprak lekesi hastalığı ve mücadelesi. TÜRKTOB Türkiye Tohumcular Birliği Dergisi 21: 31-35.
• [10] TUNALI, B., KANSU, B., YILMAZ, N. D. K., MEYVA, G., & Rıza, K. A. Y. A. (2018). Türkiye'de Şeker Pancarında Cercospora beticola Sacc.'nın Yaygınlığı, Patojenitesi ve Bazı Çeşitlerin Dayanıklılığının Belirlenmesi. The Journal of Turkish Phytopathology, 47(1), 21-30.
• [11] Koç, H., Ergün, A. & Kartal, F. (2018). Problems of sugar beet producers in Sivas province and proposals for solutions. International Journal of Geography and Geography Education, 38, 247-265. [12] Kaya, R. (2012). Şeker pancarında Cercospora yaprak lekesi (Cercospora beticola Sacc.) hastalığı ve mücadele stratejisi. I. Uluslararası Anadolu Şeker Pancarı Sempozyumu, 20-22.
• [13] Ozguven, M. M., & Adem, K. (2019). Automatic detection and classification of leaf spot disease in sugar beet using deep learning algorithms. Physica A: Statistical Mechanics and its Applications, 535, 122537.
• [14] Hallau, L., Neumann, M., Klatt, B., Kleinhenz, B., Klein, T., Kuhn, C., Röhrig, M., Bauckhage, C., Kersting, K., Mahlein, A.-K., Steiner, U. and Oerke, E.-C. (2018), Automated identification of sugar beet diseases using smartphones. Plant Pathol, 67: 399-410. https://doi.org/10.1111/ppa.12741
• [15] Özgür O., E. (2013a). Şeker Pancarı Tarla Çiiçekleri, I (Weeds of Sugarbeet). Filiz Matbaacılık San. Ve Tic. Ltd. Sti., Ankara, 410 s.
• [16] Özgür O., E. (2013b). Şeker Pancarı Tarla Çiiçekleri, II (Weeds of Sugarbeet). Filiz Matbaacılık San. Ve Tic. Ltd. Sti., Ankara, 410 s.
• [17] Akar A, Öğüt Yavuz D (2020) Uşak ili şeker pancarı (Beta vulgaris L.) ekim tarlalarında bulunan yabancıot türlerinin, rastlama sıklıklarının ve yoğunluklarının belirlenmesi. MKU. Tar. Bil. Derg. 25(3) : 461-473. DOI: 10.37908/mkutbd.678019
• [18] Lottes, P., Hoeferlin, M., Sander, S., Müter, M., Schulze, P., & Stachniss, L. C. (2016, May). An effective classification system for separating sugar beets and weeds for precision farming applications. In 2016 IEEE International Conference on Robotics and Automation (ICRA) (pp. 5157-5163). IEEE.
• [19] Miloto, A., Lottes, P. &Stachniss, C., “Real-Time Blob-Wise Sugar Beets vs Weeds Classification For Monitoring Fields Using Convolutional Neural Networks”. Bonn, Germany, International Conference on Unmanned Aerial Vehicles in Geomatics, 2017.
• [20] Chavan, R., T. &Nandedkar, A. V., 2018. “Agroavnet for crops and weeds classification: A step forward in automatic farming”. Computers and Electronics in Agriculture, Issue 154, 2018, pp. 361-372
• [21] Kunz, C., Weber, J. F., Peteinatos, G. G., Sökefeld, M., & Gerhards, R. (2018). Camera steered mechanical weed control in sugar beet, maize and soybean. Precision Agriculture, 19(4), 708-720.
• [22] Mink, R., Dutta, A., Peteinatos, G. G., Sökefeld, M., Engels, J. J., Hahn, M., & Gerhards, R. (2018). Multi-temporal site-specific weed control of Cirsium arvense (L.) Scop. and Rumex crispus L. in maize and sugar beet using unmanned aerial vehicle based mapping. Agriculture, 8(5), 65.
• [23] Kun Hu, et al. "Graph Weeds Net: A Graph-based Deep Learning Method for Weed Recognition." Computers and electronics in agriculture, v. 174 ,. pp. 105520. doi: 10.1016/j.compag.2020.105520
• [24] Gao, J., French, A. P., Pound, M. P., He, Y., Pridmore, T. P., & Pieters, J. G. (2020). Deep convolutional neural networks for image-based Convolvulus sepium detection in sugar beet fields. Plant Methods, 16(1), 1-12.
• [25] Jabir, B., Falih, N., Sarih, A., & Tannouche, A. (2021). A Strategic Analytics Using Convolutional Neural Networks for Weed Identification in Sugar Beet Fields. Agris on-line Papers in Economics and Informatics, 1(March), 49-57.
• [26] Khoshboresh-Masouleh, M., and M. Akhoondzadeh. "Improving weed segmentation in sugar beet fields using potentials of multispectral unmanned aerial vehicle images and lightweight deep learning. JARS 15, 034510." (2021). https://doi.org/10.1117/1.JRS.15.034510
• [27] Bah, M. D., Dericquebourg, E., Hafiane, A., & Canals, R. (2018, July). Deep learning based classification system for identifying weeds using high-resolution UAV imagery. In Science and Information Conference (pp. 176-187). Springer, Cham.
• [28] S. I. Moazzam et al., "A Patch-Image Based Classification Approach for Detection of Weeds in Sugar Beet Crop," in IEEE Access, vol. 9, pp. 121698-121715, 2021, doi: 10.1109/ACCESS.2021.3109015.
• [29] Bentini, M.; Caprara, C.; Rondelli, V.; Caliceti, M. The use of an electronic beet to evaluate sugar beet damage at various forward speeds of a mechanical harvester. Trans. ASAE 2002, 45, 547.
• [30] Nasirahmadi, A.; Wilczek, U.; Hensel, O. Sugar Beet Damage Detection during Harvesting Using Different Convolutional Neural Network Models. Agriculture 2021, 11, 1111. https://doi.org/10.3390/agriculture11111111 [31] Çakmakçı, R., & Oral, E. (1998). Seyreltmeli ve seyreltmesiz şeker pancarı tarımında farklı tarla çıkışlarının verim ve kaliteye etkisi. Turkish Journal of Agriculture and Forestry, 22, 451-461.
• [32] Etienne David, Gaëtan Daubige, François Joudelat, Philippe Burger, Alexis Comar, Benoit de Solan, Frédéric Baret, Plant detection and counting from high-resolution RGB images acquired from UAVs: comparison between deep-learning and handcrafted methods with application to maize, sugar beet, and sunflower crops, bioRxiv 2021.04.27.441631; doi: https://doi.org/10.1101/2021.04.27.441631
• [33] N. Kussul, M. Lavreniuk, S. Skakun and A. Shelestov, "Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data," in IEEE Geoscience and Remote Sensing Letters, vol. 14, no. 5, pp. 778-782, May 2017, doi: 10.1109/LGRS.2017.2681128.
• [34] Ashqar, Belal AM, Bassem S. Abu-Nasser, and Samy S. Abu-Naser. "Plant seedlings classification using deep learning." (2019).
• [35] Alimboyong, C. R., Hernandez, A. A., & Medina, R. P. (2018, October). Classification of plant seedling images using deep learning. In TENCON 2018-2018 IEEE Region 10 Conference (pp. 1839-1844). IEEE.
• [36] Barreto, A., Lottes, P., Yamati, F. R. I., Baumgarten, S., Wolf, N. A., Stachniss, C., ... & Paulus, S. (2021). Automatic UAV-based counting of seedlings in sugar-beet field and extension to maize and strawberry. Computers and Electronics in Agriculture, 191, 106493.
• [37] Marschner, H. Marschner’s Mineral Nutrition of Higher Plants; Academic Press: Cambridge, MA, USA, 2011.
• [38] Yi, J.; Krusenbaum, L.; Unger, P.; Hüging, H.; Seidel, S.J.; Schaaf, G.; Gall, J. Deep Learning for Non-Invasive Diagnosis of Nutrient Deficiencies in Sugar Beet Using RGB Images. Sensors 2020, 20, 5893. https://doi.org/10.3390/s20205893