Detection and Population Monitoring of Colorado Potato Beetle (Leptinotarsa decemlineata) (Say) on Potato Plant Using Object Detection Algorithm (YOLOv4)

Öz

In this study, the detection of adult and late stage (3rd and 4th stages) larvae of Colorado potato beetle (Leptinotarsa decemliniata) on potato plant was investigated with the YOLOv4 object detection algorithm. At the end of the training, the most suitable model was tried to be determined by changing the input image resolution of the network to “416 x 416”, “608 x 608”, “832 x 832”, “1024 x 1024” and “1440 x 1440” in the “cfg configuration” file. As a result of the training, the most suitable object detector model was obtained in the 3000th iteration by changing the input image resolution to “1024 x 1024” in the “cfg configuration” file. Recall 0.78, precision 0.85, F1-score 0.81, mAP 87.53 and IoU 57.99 was obtained as the evaluation metric of the suggested model. In addition, determining the emergence time of overwintered adult potato beetle by using yellow sticky traps, pitfall traps and visual inspection method were discussed. The usability of the traps in early warning systems and the population monitoring possibilities were investigated by using the YOLOv4 object detection algorithm.

Anahtar Kelimeler

• Artificial intelligence
• Colorado potato beetle
• Object detection
• YOLOv4
• YOLOv4
• YOLOv4
• YOLOv4
• Leptinotarsa decemliniata

Nesne Tespit Algoritması (YOLOv4) Kullanarak Patates Böceğinin (Leptinotarsa decemlineata) (Say) Patates Bitkisi Üzerinde Tespiti ve Populasyon İzleme Olanakları

Öz

Bu çalışmada, YOLOv4 nesne tespit algoritmasıyla patates böceği (Leptinotarsa decemliniata)’ın ergin ve son dönem (3. ve 4. dönem) larvalarının patates bitkisi üzerinde tespitinin yapılması araştırılmıştır. Eğitim sonucunda “cfg yapılandırma” dosyasında ağın giriş görüntü çözünürlüğü “416 x 416”, “608 x 608”, “832 x 832”, “1024 x 1024” ve “1440 x 1440” olarak değiştirilerek en uygun model tespit edilmeye çalışılmıştır. Eğitim sonucunda “cfg yapılandırma” dosyasında giriş görüntü boyutunun “1024 x 1024” değiştirilmesiyle 3000. iterasyonda en uygun nesne algılayıcısı modeli elde edilmiştir. Önerilen modele ait başarı ölçütü olarak recall 0.78, precision 0.85, F1-Score 0.81, mAP 87.53 ve IoU 57.99 değerlerine ulaşılmıştır. Ayrıca sarı yapışkan tuzaklar, çukur tuzaklar ve gözle kontrol yöntemi kullanılarak kışlamadan çıkan ergin patates böceklerinin çıkış zamanının saptanması ele alınmıştır. Kışlamadan çıkan ergin patates böceklerinin sarı yapışkan tuzaklar ve çukur tuzaklarla yakalanma durumu incelenerek YOLOv4 nesne tespit algoritması kullanılarak tuzakların erken uyarı sistemlerinde kullanılabilirliği ve populasyon izleme olanakları araştırılmıştır.

Anahtar Kelimeler

• Nesne tespiti
• Leptinotarsa decemlineata
• Patates böceği
• Yapay zeka
• YOLOv4

Teşekkür

Araştırmanın yürütülmesinde yardımlarını esirgemeyen Kızılören İlçe Tarım ve Orman Müdürlüğü personeline teşekkür ederim.

Kaynakça

1. Altaş, Z., Özgüven, M. M., & Yanar, Y. (2019). Bitki Hastalık ve Zararlı Düzeylerinin Belirlenmesinde Görüntü İşleme Tekniklerinin Kullanımı: Şeker Pancarı Yaprak Leke Hastalığı Örneği. International Erciyes Agriculture, Animal & Food Sciences Conference, 24-27 April 2019, Erciyes University -Kayseri. 24-27.
2. Anonymus (2022a). AlexeyAB/darknet. Retrieved November 27, 2022, from https://github.com/AlexeyAB/darknet.
3. Anonymus (2022b). YOLOv4_Eğitim_Leptinotarsa_decemlineata.ipynb. Retrieved November 27, 2022, from https://colab.research.google.com/drive/1H_Ajr77uGtFwKFFLQXFoU7zZS5Z1u5bg?authuser=1.
4. Anonymus (2022c). Intersection over Union (IoU) ve Mean Average Precision (mAP) Nedir?. Retrieved November 27, 2022, from https://medium.com/deep-learningturkiye/intersection-over-unioniou-ve-mean-average-precision-map-nedir-532241ab74a9.
5. Arıoğlu, H., & Onaran, H. (2002). Niğde Koşulları Patates Yetiştiriciliğinde; Farklı Yumru İriliği ve Bitki Sıklığının, Yumru Verimi ve Yumru Kalibrasyonu Üzerine Etkileri. In 3. Ulusal Patates Kongresi Bildiriler Kitabı, 125-135.
6. Başaran, G., & Çağıl, G. (2021). Koruyucu gözlük kullanımının görüntü işleme yöntemiyle tespit edilmesi. El-Cezeri, 9(1), 86-95. https://doi.org/10.31202/ecjse.945167.
7. Bochkovskiy, A., Wang, C. Y. & Liao, H. Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. Cornell University Arxiv Preprint, 1, 1-17. https://doi.org/10.48550/arXiv.2004.10934.
8. Boiteau, G., Pelletier, Y., Misener, G. C. & Bernard, G. (1994). Development and Evaluation of a Plastic Trench Barrier for Protection of Potato from Walking Adult Colorado Potato Beetles (Coleoptera: Chrysomelidae). Journal of Economic Entomology, 87(5), 1325–1331. https://doi.org/10.1093/jee/87.5.1325.

9. Capinera, J. (2020). Handbook of Vegetable Pests. New York, Academic Press,
10. Christie, R. D., Sumalde, A. C., Schulz, J. T., & Gudmestad, N. C. (1991). Insect transmission of the bacterial ring rot pathogen. American Potato Journal, 68(6), 363-372. https://doi.org/10.1007/BF02853617
11. De Gooyer, T. A., Pedigo, L. P., & Rice, M. E. (1998). Development of sticky trap sampling technique for potato leafhopper adults. Journal of Agricultural Entomology, 15(1), 33-37.
12. Doğan, E., & Karaca, İ. (2020). Afyonkarahisar ili patates alanlarında patates böceği (Leptinotarsa decemlineata) (Say) (Coleoptera: Chrysomelidae)’nin yayılışı. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 24(1), 90-95. https://doi.org/10.19113/sdufenbed.573496.
13. Kekillioğlu, A., & Yılmaz, M. (2018). Patates böceği [Leptinotarsa decemlineata Say.(Coleoptera: Chrysomelidae)]’nin Nevşehir ilinde yaşamsal etkileşim ve çeşitliliği üzerine bir ön çalışma. Anadolu Ege Tarımsal Araştırma Enstitüsü Dergisi, 28(1), 100-107.
14. Liu, L., Wang, R., Xie, C., Yang, P., Wang, F., Sudirman, S., & Liu, W. (2019). PestNet: An End-to-End Deep Learning Approach for Large-Scale Multi-Class Pest Detection and Classification. IEEE Access, 7, 45301–45312. https://doi.org/10.1109/access.2019.2909522.
15. Mahajan, S., Das, A., & Sardana, H. K. (2015). Image Acquisition Techniques for Assessment of Legume Quality. Trends in Food Science & Technology, 42(2), 116-133. https://doi.org/10.1016/j.tifs.2015.01.001.
16. Noronha, C., & Cloutier, C. (1999). Ground and aerial movement of adult colorado potato beetle (Coleoptera: Chrysomelidae) in a univoltine population. The Canadian Entomologist, 131(04), 521-538. https://doi.org/10.4039/ent131521-4.
17. Nouri-Ganbalani, G., Fathi, A., & Nouri-Ganbalani, A. (2010). Economic injury level for Colorado Potato Beetle, Leptinotarsa decemlineata (Say) on ‘Agria’ potatoes in Ardabil, Iran. Munis Entomology and Zoology, 5(2), 764-771.
18. Onaran, H., Ünlenen, A., & Doğan, A. (2000). Patates Tarımı Sorunları ve Çözüm Yolları. Tarım ve Köy İşleri Bakanlığı, Tarımsal Araştırmalar Genel Müdürlüğü, Niğde Patates Araştırma Enstitüsü Müdürlüğü Yayınları, 93s.
19. Patrício, D. I., & Rieder, R. (2018). Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and Electronics in Agriculture, 153, 69-81. https://doi.org/10.1016/j.compag.2018.08.001.
20. Pedigo, L. P., Hutchins, S. H., & Higley, L. G. (1986). Economic injury levels in theory and practice. Annual Review of Entomology, 31(1), 341-368. https://doi.org/10.1093/ae/38.1.12
21. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788). https://doi.org/10.1109/CVPR.2016.91.
22. Stern,V. M., Smitth, R. R., Van den Bosch, R., & Hagen, K. S. (1959). The integrated control consept. Hilgardia, 29, 81-101.
23. TÜİK (2022). Tarımsal Ürünler İstatistiği, İstatistiklerle Türkiye. Türkiye İstatistik Kurumu, Ankara.
24. Worner, S. P. (1988). Ecoclimatic assessment of potential establishment of exotic pests. Journal of Economic Entomology, 81(4), 973-983. https://doi.org/10.1093/jee/81.4.973.