Domates Meyvesinde Bazı Hastalıkların YOLOv8 Derin Öğrenme Algoritması ile Tespit Edilmesi

Yıl 2025, Cilt: 21 Sayı: 1, 18 - 35, 29.04.2025

Mesut Yaşar , Nurhayat Yurtaslan

Öz

Tarım sektörü, artan dünya nüfusu ve çevresel faktörler nedeniyle sürdürülebilir üretim ve verimlilik artırma konusunda önemli zorluklarla karşı karşıyadır. Artan nüfus, bitki hastalıkları ve verim kayıplarıyla mücadele etmeyi zorlaştırmaktadır. Bitki hastalıkları zamanında tespit edilmezse hızla yayılıp büyük kayıplara yol açabilmektedir. Erken tespit, müdahale ve çevresel zararları engellemeyi sağlar, tedavi maliyetlerini düşürür. Geleneksel yöntemler zaman alıcı ve verimsizken, yapay zeka ve derin öğrenme tabanlı algoritmalar daha hızlı ve doğru tespit imkanı sunar. Doğru zamanlamada yapılan müdahale, verimliliği artırır ve sürdürülebilir tarımı destekler. Bu makale, YOLOv8 algoritmasının domates meyvesi hastalıklarını tespit etme uygulamaları ve tarımda sürdürülebilirliği nasıl destekleyeceğini incelemektedir. YOLOv8, hastalıklar, zararlılar ve stres belirtilerini hızlı ve doğru bir şekilde tespit edebilen bir modeldir. Makale kapsamında iki çalışma gerçekleştirilmiş olup, ilk çalışmadaki eksikliklerin nedenleri belirlenerek, ikinci çalışmada yapılan iyileştirmelerle modelin performansı önemli ölçüde artırılmıştır. Precision değeri 0.93, Recall değeri 0.90 ve F1-Score yüksek seviyelere ulaşmıştır. Bu başarı, eğitim sürecinde epoch sayısının 50 ile sınırlandırılması, veri augmentasyonlarının optimize edilmesi ve domateslerin olgunluk seviyelerinin eğitim verisine eklenmesiyle sağlanmıştır. Sonuç olarak, yapılan iyileştirmeler sayesinde YOLOv8, tarım sektöründe hastalık tespiti ve erken müdahale için güvenilir bir araç olarak kullanılabilir hale gelmiştir. Bu iyileştirmeler, verim kaybını azaltarak tarımsal üretimde önemli katkılar sunmaktadır.

Anahtar Kelimeler

Tarım Makineleri , YOLO Algoritması , Bitki Sağlığı İzleme , Derin Öğrenme

Etik Beyan

Bu makale, domates meyvesinde hastalık tespiti amacıyla YOLOv8 derin öğrenme algoritmasının kullanımını inceleyen bir araştırma sunmaktadır. Makale boyunca kullanılan veri setleri, yalnızca etik kurallara uygun olarak, açık erişime sahip kaynaklardan temin edilmiştir. Veri toplama, etiketleme ve analiz süreçlerinde hiçbir kişisel veriye yer verilmemiştir ve yalnızca tarımsal hastalıkların tespiti ile ilgili görseller kullanılmıştır. Bu araştırmada, elde edilen tüm veriler, sadece bilimsel amaçlarla ve etik kurallar çerçevesinde toplanmış, kullanılabilir görsellerin analiz edilmesiyle çalışmanın geçerliliği sağlanmıştır. Projede kullanılan algoritmalar, yalnızca bilimsel amaçla geliştirilmiş olup herhangi bir ticari çıkar güdülmemektedir. Makale, tarımda verimliliği artırmak ve çevresel etkileri azaltmak amacıyla teknolojilerin etik kullanımı üzerinde durmaktadır. Çalışma, şeffaflık ve doğruluk ilkelerine sadık kalınarak yapılmış ve elde edilen sonuçlar açık bir şekilde paylaşılacaktır. Çalışmanın bilimsel topluluk ve tarım sektörüne katkı sağlaması beklenmektedir.

Destekleyen Kurum

Varaka Kağıt Sanayi A.Ş.

Teşekkür

Yardımlarını esirgemeyen tüm Varaka Kağıt Sanayi A.Ş. Ar-Ge ekibine teşekkürlerimizi sunarız.

Detection of Some Diseases in Tomato Fruit Using the YOLOv8 Deep Learning Algorithm

Öz

The agricultural sector faces significant challenges in achieving sustainable production and increasing productivity due to the growing global population and environmental factors. The increasing population, along with plant diseases and yield losses, complicates management efforts. If plant diseases are not detected in a timely manner, they can spread rapidly, leading to substantial losses. Early detection, intervention, and prevention of environmental damage are crucial, as they reduce treatment costs. Traditional methods are time-consuming and inefficient, whereas artificial intelligence and deep learning-based algorithms offer faster and more accurate detection capabilities. Interventions made at the right time improve productivity and support sustainable agriculture. This paper examines the application of the YOLOv8 algorithm in detecting tomato fruit diseases and its potential contribution to sustainability in agriculture. YOLOv8 is a model capable of detecting diseases, pests, and stress symptoms quickly and accurately. Two studies were conducted in this paper, and the causes of the shortcomings in the first study were identified, leading to significant improvements in the second study that enhanced the model’s performance. The precision reached 0.93, recall was 0.90, and the F1-score achieved high levels. This success was achieved by limiting the number of epochs to 50 during training, optimizing data augmentations, and including the ripeness stages of tomatoes in the training data. In conclusion, with the improvements made, YOLOv8 has become a reliable tool for disease detection and early intervention in the agricultural sector. These enhancements significantly contribute to reducing yield losses and offer substantial benefits to agricultural production.

Anahtar Kelimeler

Agricultural Machinery , YOLO Algorithm , Plant Health Monitoring , Deep Learning

Etik Beyan

This paper presents an investigation into the use of the YOLOv8 deep learning algorithm for disease detection in tomato fruit. The datasets used throughout the paper were obtained only from open access sources in accordance with ethical guidelines. No personal data was included in the data collection, labeling and analysis processes and only images related to the detection of agricultural diseases were used. In this research, all data obtained were collected only for scientific purposes and within the framework of ethical rules, and the validity of the study was ensured by analyzing the usable images. The algorithms used in the project have been developed solely for scientific purposes and no commercial interest is pursued. The paper focuses on the ethical use of technologies to increase productivity in agriculture and reduce environmental impacts. The work has been carried out in accordance with the principles of transparency and accuracy, and the results will be shared openly. The study is expected to contribute to the scientific community and the agricultural sector.

Destekleyen Kurum

Varaka Kağıt Sanayi A.Ş.

Teşekkür

We would like to thank the entire Varaka Kağıt Sanayi A.Ş. R&D team for their help.

Kaynakça

• Altun, M. G., & Altun, A. H. (2024). Beton yüzey çatlaklarının YOLOv8 derin öğrenme algoritması ile tespit edilmesi.
• Çukurova Üniversitesi, Mühendislik Fakültesi Dergisi, 39(3), 667-678.
• Basso, B., Cammarano, D., & Li, X. (2020). Application of remote sensing in precision agriculture: A review. Field Crops Research, 246, 107697. https://doi.org/10.1016/j.fcr.2019.107697
• Baş, T. (2013). Anket Nasıl Hazırlanır?. Seçkin Yayıncılık, (7. Baskı), s. 40-44, Ankara.
• Bishop, C. M. (2006). Pattern recognition and machine learning. Springer, New York, NY, USA.
• Dulkadir, S., & Gültekin, G. K. (2023). Tarımsal otomasyon sistemleri için muz olgunluk seviyelerinin derin öğrenme yöntemleri ile sınıflandırılması. EMO Bilimsel Dergi, 13(3).
• Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). A review of the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, 143, 210-226. https://doi.org/10.1016/j.compag.2017.10.018
• Kıvrak, O., & Gürbüz, M. Z. (2022). Performance comparison of YOLOv3, YOLOv4, and YOLOv5 algorithms: A case study for poultry recognition. Avrupa Bilim ve Teknoloji Dergisi, (38), 392-397. https://doi.org/10.31590/ejosat.1111288
• Liu, S., Wang, H., & Li, Y. (2021). A survey on machine learning in precision agriculture. Computers and Electronics in Agriculture, 180, 105877. https://doi.org/10.1016/j.compag.2020.105877
• Pretty, J., Bharucha, Z. P., & Gorelick, S. M. (2018). Sustainable intensification in agriculture: A review. International Journal of Agricultural Sustainability, 16(1), 1-24. https://doi.org/10.1080/14735903.2017.1414100
• Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788. https://doi.org/10.1109/CVPR.2016.91
• Sharma, R., Lakhani, R., & Shukla, A. (2020). Plant disease detection using image processing and deep learning. Journal of King Saud University- Computer and Information Sciences. https://doi.org/10.1016/j.jksuci.2020.06.020
• Zhao, X., Tan, W., & Zhang, X. (2020). A novel method for weed detection in crops based on YOLO deep learning model. Computers and Electronics in Agriculture, 175, 105551. https://doi.org/10.1016/j.compag.2020.105551
• Zimdahl, R. L. (2018). Weeds and weed management: A critical review. Springer. https://doi.org/10.1007/978-3-319-73293-9