Görüntü İşlemeye Dayalı Yapay Zekâ Teknikleri Kullanılarak Rekolte Tahmini: Elma Ağacı Uygulaması

Yıl 2023, , 67 - 84, 30.06.2023

Şule Ataç , Ahmet Kayabaşı

https://doi.org/10.55213/kmujens.1291397

Öz

Tarım sektörü, insanlığın ekonomik ve sosyal gelişiminde çok önemli görevler üstlenmiş ve bu görevini günümüze kadar sürdürmüştür. Tarımsal üretim doğa koşullarına bağlı olduğu için risk ve belirsizlik yüksektir. Günümüzde birçok alanda teknolojik gelişmeler yaşanmıştır. Özellikle tarım alanında yapay zekânın kullanımına yönelik büyük bir gelişme gösteren bilgisayar teknolojileri sayesinde, tarımda yaşanan bu risk ve belirsizliklere daha hızlı ve tutarlı çözümler üretmek mümkün hale gelmiştir. Tarımda yaşanan risk ve belirsizliklerden biri de rekolte tahminidir. Bu tahminlerde belirsizlik yüksek olduğu için yapay zekâdan faydalanmak doğruluk oranını arttıracaktır. Bu çalışmada elma ağaçlarındaki toplam rekoltenin tahmini için yapay zekâ ve görüntü işleme tekniklerinden faydalanılmıştır. Evrişimsel sinir ağları (ESA), doğrusal regresyon (DR) ve hazırlanan bir yapay sinir ağı (YSA) modeli ile tahmin çalışması yapılmıştır. Farklı yapay zekâ modelleri ile yapılan bu çalışmaların sonucunda doğrulukları kıyaslanarak % 85 ‘in üzerinde doğruluk oranları elde edilmiştir.

Anahtar Kelimeler

Tarım, elma rekoltesi, görüntü işleme, yapay zekâ, evrişimsel sinir ağları

Kaynakça

• Aggelopoulou AD., Bochtis D., Fountas S., Swain KC., Gemtos TA., Nanos GD., Yield prediction in apple orchards based on image processing, Precision Agriculture 12(3), 448-456, (2010).
• Baştürk MÖ., Turgut K., Hocaoğlu AK., Görüntü İşleme Tabanlı Elma Ağacında Rekolte Tahmini, URSI-TÜRKİYE 2021 X. Bilimsel Kongresi, (2021).
• Brownlee J., Crash Course on Multi-Layer Perceptron Neural Networks, from https://machinelearningmastery.com/neural-networks-crash-course/, (2016).
• Cömert O., Sayısal Görüntüleme Destekli Red Chief Elma Rekolte Tahmini, Gaziosmanpaşa Üniversitesi, (2013).
• Grilli E., Battisti R., Remondino F., An Advanced Photogrammetric Solution to Measure Apples, Remote Sensing, 13(19), (2021).
• Kaymak AM., Örnek MN., Kahramanlı H., Görüntü İşleme Teknolojilerinin Elma Bahçelerine Yönelik Kullanım Örneği, Uluborlu Mesleki Bilimler Dergisi, 2(1), 17-26, (2019).
• Le TT., Lin CY., Piedad Jr. E., Deep learning for noninvasive classification of clustered horticultural crops – A case for banana fruit tiers, Postharvest Biology and Technology, 156, (2019).
• Mandal M., Introduction to Convolutional Neural Networks (CNN), from https://www.analyticsvidhya.com/blog/2021/05/convolutional-neural-networks-cnn/, (2021).
• Nuske S., Achar S., Bates T., Narasimhan S., Singh S., Yield estimation in vineyards by visual grape detection, 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems, IEEE, (2011).
• Payne AB., et al., Estimation of mango crop yield using image analysis–segmentation method, Computers and electronics in agriculture, 91, 57-64, (2013).
• Türkiye İstatistik Kurumu 2022, Bitkisel Üretim İstatistikleri,2022. https://data.tuik.gov.tr/Bulten/Index?p=Bitkisel-Uretim-Istatistikleri-2022-45504 [Ziyaret Tarihi: 10 Mayıs 2023].
• Tob, T. O. B., Elma, Ocak-2021, Tarım Ürünleri Piyasaları, Tarım ve Orman Bakanlığı / TOB: 1-4, (2021).
• Yalçın I., Mücahit Ü., Kayabaşı A., Bilgisayarlı Görü Teknikleri Kullanılarak Yapay Zekâ Temelli Limon Ağacı Rekolte Tahmini, Mühendislik Bilimleri ve Araştırmaları Dergisi, 4(1), 80-88, (2022).