Derin Öğrenme Destekli Gerçek Zamanlı Zeytin Tespiti Uygulaması

Öz

Ürün verim tahmini, ürün hasadı ve pazarlama stratejilerinin oluşturulması için çok önemli bir rol oynamaktadır. Son yıllarda, birçok tarımsal üründe verimi tahmin etmek için bilgisayarla görme ve derin öğrenme teknikleri çalışmaları yapılmaktadır. Ürünlerin dal üzerinden tam olarak ayrılması ürün verim tahminini doğrudan etkilemektedir. Bu çalışmada ağaç üzerinde ürünlerin yerlerini tespit ederek ürün verim tahminini kolaylaştıracak derin öğrenme modeli gerçekleştirilmiştir. Materyal olarak zeytin seçilmiştir. Derin öğrenme tabanlı zeytin tespiti yapılmıştır. Modelin algoritması, zeytin tespiti için olive adlı nesne sınıfından oluşmaktadır. Eğitim ve test omurgası YOLOv5 (nano-small-medium ve large) modelleridir. Oluşturan modellerin tüm metrik değerleri incelenmiştir. En başarılı model YOLOv5s algoritmasıyla, 640x640 boyutundaki görsellerin 15 Batch, 115 Epoch ile eğitilmiş model olduğu görülmüştür. Model değerleri sonuçları “metrics/precision”, “metrics/recall”, “metrics/mAP_0,5” ve “metrics/ mAP_ 0,5:0,95” olarak incelenmiştir. “YOLOv5 small” modelinin metrik verilerinin diğer modellerle kıyaslandığında daha yüksek olduğu tespit edilmiştir. Başarı oranı 115 epoch için F1 score %85,18, precision %95,63, recall %84,24, mAP %72,8’dir. Buradan “Model 2”nin robotik zeytin hasadında zeytinin toplanmasında kullanılacak en iyi tespit modeli olduğu anlaşılmıştır.

Anahtar Kelimeler

• Derin öğrenme
• Tanımlama
• Zeytin
• Hassa tarım
• YOLOv5

Deep Learning Supported Real-Time Olive Detection Application

Öz

Crop yield prediction plays a very important role in crop harvesting and marketing strategies. In recent years, computer vision and deep learning techniques have been used to predict the yield of many agricultural crops. The exact separation of the crops from the branch directly affects the yield estimation. In this study, a deep learning model has been implemented to facilitate crop yield estimation by detecting the location of crops on the tree. Olives were selected as the material. Deep learning based olive detection was performed. The algorithm of the model consists of an object class named olive for olive detection. The training and test backbone are YOLOv5 (nano-small-medium and large) models. All metric values of the constituent models were analysed. It was seen that the most successful model was the model trained with the YOLOv5s algorithm with 15 Batches and 115 Epochs for 640x640 sized images. The results of the model values were analysed as "metrics/precision", "metrics/recall", "metrics/mAP_0,5" and "metrics/mAP_0,5:0,95". It was found that the metric data of the "YOLOv5 small" model was higher compared to other models. The success rate for 115 epochs is F1 score %85,18, precision %95,63, recall %84,24, mAP %72,8. It is concluded that "Model 2" is the best detection model to be used for olive picking in robotic olive harvesting.

Anahtar Kelimeler

• Deep learning
• Description
• Olive
• Precision agriculture
• YOLOv5

Kaynakça

1. Abozeid A, Rayan A., Elhadad, A., Taloba AI., El-Aziz RMA. A large-scale dataset and deep learning model for detecting and counting olive trees in satellite imagery. Computational Intelligence and Neuroscience 2022; 1-8.
2. Adibhatla VA., Chih H., Hsu C., Cheng JY., Abbod MF., Shieh J. Defect detection in printed circuit boards using you-only-look-once convolutional neural networks. Electronics 2020; 9(9): 1547.
3. Al-Habahbeh OM., Ayoub S., Yaman MA., Matahen M., Sarayra M. A smart robotic arm for harvesting olive fruits. MATEC Web of Conferences 2022; 370.
4. Alkhasawneh MS. Olive oil ripping time prediction model based on image processing and neural network. International Journal of Advanced Computer Science and Applications 2021;12(1).
5. Alshammari H., Gasmi K., Krichen M., Ammar LB., Abdelhadi MO., Boukrara A., Mahmood MA. Optimal deep learning model for olive disease diagnosis based on an adaptive genetic algorithm. Wireless Communications and Mobile Computing 2022; 1-13.
6. Alshammari H., Gasmi K., Ltaifa IB., Krichen M., Ammar LB.,Mahmood MA. Olive disease classification based on vision transformer and cnn models. Computational Intelligence and Neuroscience 2022; 1-10.
7. Andrushia AD., Neebha TM., Patricia AT., Umadevi S., Anand N., Varshney A. Image-based disease classification in grape leaves using convolutional capsule network. Soft Computing 2022; 27(3): 1457-1470.