Derin öğrenme yöntemleri kullanılarak ayçiçeği bitkisinin gelişim evrelerinin tespiti

Yıl 2024, , 1455 - 1472, 20.05.2024

Gülay Karahanlı , Cem Taşkın

https://doi.org/10.17341/gazimmfd.1200615

Öz

Son yıllarda gelişen hassas tarım teknolojileri sayesinde tarımsal ürünlerin sulanması, gübrelenmesi, ilaçlanması, yabancı otların ayıklanması, hasat edilmesi gibi birçok işlem otonom sistemler tarafından yapılabilmektedir. Özellikle ayçiçeği gibi bazı bitki türlerinde bu işlemlerin ne zaman uygulanacağına, büyük ölçüde bitkinin içerisinde bulunduğu gelişim evresine göre karar verilmektedir. Bu çalışmada ayçiçeği bitkilerinin gelişim evrelerinin sınıflandırılabilmesi için derin öğrenme yöntemleri kullanılmıştır. Dron ile alınan görüntüler yüksek çözünürlüklü olduğundan her biri 6 eşit parçaya bölünmüş ve sonrasında 8 sınıf belirlenerek her sınıfa ait görüntüler ayıklanmıştır. Her sınıfta 1600 adet olmak üzere, toplamda 12800 adet görüntüden oluşan bir veri seti oluşturulmuştur. AlexNet, InceptionV3, ResNet101, DenseNet121, MobileNet ve Xception olmak üzere altı farklı derin öğrenme modeli, Sgd, Adam ve Rmsprop optimizasyon yöntemleriyle test edilerek performansları karşılaştırılmıştır. Modellerin başarılarının doğru değerlendirilebilmesi için eğitilen modeller farklı bir araziden alınan görüntüler ile oluşturulan ikinci bir veri seti üzerinde de test edilmiş ve yüksek başarı oranları elde edilmiştir. Ayrıca bitkinin hangi evrede olduğuna net karar verilemeyen görüntüler için 7 sınıflı bir test seti oluşturulmuş ve modellerin başarı oranları test edilmiştir. 7-8 ara sınıfında bulunan görüntüler için başarının çok düşük olduğu gözlemlenmiş, bu sınıf için de başarı oranını arttıracak resim işleme tekniklerinde kullanılan filtreler görüntülere uygulanarak modeller yeniden eğitilmiş ve sonuçları değerlendirilmiştir.

Anahtar Kelimeler

Derin öğrenme, Evrişimsel sinir ağları, Görüntü sınıflandırma, Hassas tarım, Transfer öğrenme

Kaynakça

• Gökırmaklı Ç., Bayram M., Gıda İçin Gelecek Öngörüleri: Yıl 2050, Akademik Gıda, pp. 351 - 360, 2018.
• Kolsarıcı Ö., Gür A., Başalma D., Kaya M.D., İşler N., Yağlı Tohumlu Bitkiler Üretimi, ResearchGate, 2015.
• Onat B., Arıoğlu H., Güllüoğlu L., Kurt C., Bakal H., Dünya ve Türkiye’de Yağlı Tohum ve Ham Yağ Üretimine Bir Bakış, Kahramanmaraş Sütçü İmam Üniversitesi Tarım ve Doğa Dergisi, pp. 149-153, 2017.
• Erem Kaya T., Sezgin A., Külekçi M., Kumbasaroğlu H., Dünyada ve Türkiye’de Ayçiçeği Üretimi ve Dış Ticaretindeki Gelişmeler, Alinteri Journal of Agriculture Science, pp. 28-33, 2010.
• Berglund D.R., Sunflower Production, North Dakota State University, Fargo, 2007.
• Schneiter A.A., Miller J.F., Description of Sunflower Growth Stages, Crop Science, pp. 901-903, 1981.
• Castillo F.M., Calderini D., Vásquez S., Does the pre-flowering period determine the potential grain weight of sunflower?, Field Crops Research, pp. 23-33, 2017.
• Kaya M.D., Farklı gelişme dönemlerinde uygulanan sulamaların ayçiçeği (Helianthus annuus L.)'nde verim ve verim ögelerine etkileri, Doktora Tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, 2006.
• Amjed A., Noorka I.R., Differential Growth and Development Response of Sunflower Hybrid in Contrasting Irrigation Regimes, American Journal of Plant Sciences, pp. 1060-1065, 2013.
• Ghani A., Hussain M., Qureshi M.S., Effect of different Irrigation Regimens on the Growth and Yield of Sunflower, International Journal Of Agriculture & Biology, pp. 334-335, 2014.
• Göksoy A., Demir A., Turan Z., Dağüstü N., Responses of sunflower (Helianthus annuus L.) to full and limited irrigation at different growth stages, Field Crops Research, pp. 167-178, 2004.
• Erdem T., Delibaş L., Yield Response Of Sunflower To Water Stress Under Tekirdağ Conditions, Helia, pp. 149-158, 2003.
• Özdemir U., Sinan N.S., Çukurova’da Kuru Koşullarda Ayçiçeğinin (Helianthus Annuus L.) Farklı Gelişme Dönemlerinde Uygulanan Yaprak Gübresinin Verim Ve Verim Öğeleri Üzerine Etkileri, Ç.Ü Fen ve Mühendislik Bilimleri Dergisi, 2020.
• Yue Y., Li J.H., Fan L.F, Zhang L.L., Zhao P.F., Zhou Q., Wang N., Wang Z.Y., Huang L., Dong X.H, Prediction of maize growth stages based on deep learning, Computers and Electronics in Agriculture, 2020.
• Rasti S., Bleakley C.J., Silvestre G.C.M., Holden N.M., Langton D., O’Hare G.M.P., Crop growth stage estimation prior to canopy closure using deep learning algorithms, Neural Computing and Applications, p. 1733–1743, 2021.
• Samiei S., Rasti P., Vu J.L., Buitink J., Rousseau D, Deep learning-based detection of seedling development, Plant Methods, 2020.
• Koirala A., Walsh K.B., Wang Z., Anderson N., Deep Learning for Mango (Mangifera indica) Panicle Stage Classification, Agronomy, 2020.
• Ikasari I.H., Ayumi V., Fanany M.I., Mulyono S., Multiple regularizations deep learning for paddy growth stages classification from LANDSAT-8, 2016 International Conference on Advanced Computer Science and Information Systems (ICACSIS), 2016.
• Desai S.V., Balasubramanian V.N., Fukatsu T., Ninomiya S., Guo W., Automatic estimation of heading date of paddy rice using deep learning, Plant Methods, 2019.
• Namin S.T., Esmaeilzadeh M., Najafi M., Brown T.B., Borevitz J.O., Deep phenotyping: deep learning for temporal phenotype/genotype classification, Plant Methods, 2018.
• Jiang Y., Li C., Xu R., Sun S., Robertson J.S., Paterson A.H., DeepFlower: a deep learning-based approach to characterize flowering patterns of cotton plants in the field, Plant Methods, 2020.
• Hasan M.M., Chopin J.P., Laga H., Miklavcic S.J., Detection and analysis of wheat spikes using Convolutional Neural Networks, Plant Methods, 2018.
• Döş M.E., Uysal M., Uzaktan algılama verilerinin derin öğrenme algoritmaları ile sınıflandırılması, Türkiye Uzaktan Algılama Dergisi(TUZAL), pp. 28-34, 2019.
• Alex K., Sutskever I., Geoffrey E., Imagenet classification with deep convolutional neural networks, Advances in neural information processing systems, pp. 1097-1105, 2012.
• Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A., Going deeper with convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015.
• He K., Zhang X., Ren S., Sun J., Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016.
• Chollet F., Xception: Deep learning with depthwise separable convolutions., Proceedings of the IEEE conference on computer vision and pattern recognition, 2017.
• Howard A.G., Zhu M., Chen B., Kalenichenko D., Mobilenets: Efficient convolutional neural networks for mobile vision applications., arXiv preprint arXiv:1704.04861, 2017.
• Huang G., Liu Z., Maaten L.V.D., Weinberger K.Q., Densely Connected Convolutional Networks, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017.
• Shorten C., Khoshgoftaar T.M., A survey on Image Data Augmentation for Deep Learning, Journal of Big Data, 2019.
• Theckedath D., Sedamkar R.R., Detecting Affect States Using VGG16, ResNet50 and SE ResNet50 Networks, Computer Science, 2020.