Tarımda Böcek Zararlılarının Derin Öğrenme Yöntemleri İle Tespit Edilmesi

Yıl 2023, Cilt: 8 Sayı: 2, 67 - 79, 08.12.2023

Fatmanur Ateş , Ramazan Şenol

Öz

Gün geçtikçe dünya genelinde insan nüfusu artış göstermektedir ve nüfusun artması ile tarım ürünlerine olan ihtiyaçta artmaktadır. Tarım alanları da nüfusun artması sebebiyle barınma gibi farklı amaçlarla kullanılmak zorunda kalındığından azalış göstermektedir. Ayrıca geçmişten günümüze bakıldığında tarımcılıkla uğraşan insan sayısında da azalma olduğu görülmektedir. Tüm bu sebebler mevcutta bulunan tarım arazilerinden elde edilebilecek ürün veriminin maksimum düzeyde olması gerektiğinin önemini gözler önüne sermektedir. Tarım alanları çeşitli sebeblerden ötürü zarar görebilmektedir ve elde edilecek mahsülün veya mahsüllerin verimleri düşebilmektedir. Tarım alanlarında çıkabilecek yangınlar, ekim olacak bölge için yanlış ürün seçimi, yanlış ilaçlama, hasat zamanının geçirilmesi, yanlış gübreleme vb. gibi tarım alanlarından ürün hasadını engelleyen veya ürün hasadını aza indiren hatalara örnek olarak verilebilir. Tarım alanlarındaki bitkilere zarar veren ve elde edilecek mahsülün verimini düşüren etkenlerden en önemlilerinden biri tarım zararlısı olan böcek türleridir. Tarım ürünlerinden maksimum verimin elde edilebilmesi için tarımda böcek zararlılarının ya ortadan kaldırılması ya da zararının en aza indirgenmesi gerekmektedir. Tarımda böcek zararlılarının mahsule verdiği zararı minimuma indirgeyebilmek için kimyasal ve biyolojik yöntemler kullanılmaktadır. Tarımda zararlı böceklerin türünün tespit edilebilmesi durumunda doğru biyolojik ya da kimsayasal yöntem uygulanabilir. Bu çalışmada Kaggle açık veri platformundan alınmış olan “Dangerous Farm Insects” veri seti kullanılmıştır. Veri seti içerisinde 15 farklı türe ait böcek zararlısından alınmış görüntüler bulunmaktadır. Farklı türlere ait görüntüler etiketlenerek derin öğrenme mimarilerinden, Inception_v3, ResNest50d ve Res2Net50d modelleri ile sınıflandırılmıştır. Sonuçlar farklı performans değerlendirme metriklerinden doğruluk ve kayıp değeri kullanılarak verilmiştir. Ayrıca modellerin tahmin başarıları karmaşıklık matrisleri verilerek sonuçlar yorumlanmıştır.

Anahtar Kelimeler

tarım, böcek zararlıları, derin öğrenme, sınıflandırma

Teşekkür

Çalışmada kullanılan “Dangerous Farm Insects Dataset” veri setininin açık kaynak verilerini internet sitelerinde (Kaggle) kullanıma açan herkese teşekkür ederiz.

Kaynakça

• B. Akbaş, “İklim değişikliği bitki hastalıklarının artmasına neden oluyor,” turktarim.gov.tr, 2018. Erişim Adresi: http://www.turktarim.gov.tr/Haber/145/iklim-degisikligi-bitki-hastaliklarinin-artmasina-neden-oluyor . [Erişim Tarihi: 09.09.2023].
• M. Avan ve R. Kotan, “Fungusların mikrobiyal gübre veya biyopestisit olarak tarımda kullanılması,” Uluslararası Doğu Anadolu Fen Mühendislik ve Tasarım Dergisi, 3(1), 167-191, 2021.
• A. A. Altun, “Organik tarımda zararlılarla mücadele yöntemleri,” MAS Journal of Applied Sciences, 7(2), 400-409, 2022.
• N. Şahin, N. Alpaslan, M. İlçin, ve D. Hanbay, “Evrişimsel Sinir Ağı Mimarileri ve Öğrenim Aktarma ile Bitki Zararlısı Çekirge Türlerinin Sınıflandırması,” Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 35(1), 321-331, 2023.
• D. J. A. Rustia, J. J. Chao, L. Y. Chiu, Y. F. Wu, J. Y. Chung, J. C. Hsu, and T. T. Lin, “Automatic greenhouse insect pest detection and recognition based on a cascaded deep learning classification method,” Journal of Applied Entomology, 145(3), 206-222, 2021. Doi: https://doi.org/10.1111/jen.12834
• V. Malathi, and M. P. Gopinath, “Classification of pest detection in paddy crop based on transfer learning approach,” Acta Agriculturae Scandinavica, Section B—Soil & Plant Science, 71(7), 552-559, 2021. Doi: https://doi.org/10.1080/09064710.2021.1874045
• M. A. Ebrahimi, M. H. Khoshtaghaza, S. Minaei, and B. Jamshidi, “Vision-based pest detection based on SVM classification method,” Computers and Electronics in Agriculture, 137, 52-58, 2017. Doi: https://doi.org/10.1016/j.compag.2017.03.016
• T. Kasinathan, D. Singaraju, and S. R. Uyyala, “Insect classification and detection in field crops using modern machine learning techniques,” Information Processing in Agriculture, 8(3), 446-457, 2021. Doi: https://doi.org/10.1016/j.inpa.2020.09.006
• A. Segalla, G. Fiacco, L. Tramarin, M. Nardello, and D. Brunelli, “Neural networks for pest detection in precision agriculture,” In 2020 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor) (pp. 7-12), (2020, November). IEEE. Doi: https://doi.org/10.1109/MetroAgriFor50201.2020.9277657
• K. L. Roldán-Serrato, J. A. S. Escalante-Estrada, and M. T. Rodríguez-González, “Automatic pest detection on bean and potato crops by applying neural classifiers,” Engineering in Agriculture, Environment and Food, 11(4), 245-255, 2018. Doi: https://doi.org/10.1016/j.eaef.2018.08.003
• M. E. Karar, F. Alsunaydi, S. Albusaymi, and S. Alotaibi, “A new mobile application of agricultural pests recognition using deep learning in cloud computing system,” Alexandria Engineering Journal, 60(5), 4423-4432, 2021. Doi: https://doi.org/10.1016/j.aej.2021.03.009
• Kaggle “Dangerous Farm Insects Dataset,” kaggle.com, 2023. Erişim Adres: https://www.kaggle.com/datasets/tarundalal/dangerous-insects-dataset [Erişim Tarihi: 08.09.2023]
• N. Dong, L. Zhao, C. H. Wu, and J. F. Chang, “Inception v3 based cervical cell classification combined with artificially extracted features,” Applied Soft Computing, 93, 106311, 2020. Doi: https://doi.org/10.1016/j.asoc.2020.106311
• H. Amin, A. Darwish, and A. E. Hassanien, “Classification of COVID19 X-ray images based on transfer learning InceptionV3 deep learning model,” In Digital Transformation and Emerging Technologies for Fighting COVID-19 Pandemic: Innovative Approaches (pp. 111-119), 2021. Cham: Springer International Publishing. Doi: https://doi.org/10.1007/978-3-030-63307-3_7
• X. Xia, X. Chai, N. Zhang, and T. Sun, “Visual classification of apple bud-types via attention-guided data enrichment network,” Computers and Electronics in Agriculture, 191, 106504, 2021. Doi: https://doi.org/10.1016/j.compag.2021.106504
• Y. Li, C. Peng, Y. Zhang, Y. Zhang, and B. Lo, “Adversarial learning for semi-supervised pediatric sleep staging with single-EEG channel,” Methods, 204, 84-91, 2022. Doi: https://doi.org/10.1016/j.ymeth.2022.03.013
• E. Haihong, J. He, T. Hu, L. Yuan, R. Zhang, S. Zhang, Y. Wang, M. Song, and L. Wang, “KFWC: A Knowledge-Driven Deep Learning Model for Fine-grained Classification of Wet-AMD,” Computer Methods and Programs in Biomedicine, 229, 107312, 2023. Doi: https://doi.org/10.1016/j.cmpb.2022.107312
• H. Zhang, C. Wu, Z. Zhang, Y. Zhu, H. Lin, Z. Zhang, Y. Sun, T. He, J. Mueller, R. Manmatha, M. Li, and A. Smola, “Resnest: Split-attention networks,” In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 2736-2746), 2022.
• S. H. Gao, M. M. Cheng, K. Zhao, X. Y. Zhang, M. H. Yang, and P. Torr, “Res2net: A new multi-scale backbone architecture,” IEEE transactions on pattern analysis and machine intelligence, 43(2), 652-662, 2019. Doi: https://doi.org/10.1109/TPAMI.2019.2938758 Q. Tian, W. Sun, L. Zhang, H. Pan, Q. Chen, and J. Wu, “Gesture image recognition method based on DC-Res2Net and a feature fusion attention module,” Journal of Visual Communication and Image Representation, 95, 103891, 2023. Doi: https://doi.org/10.1016/j.jvcir.2023.103891 F. Yang, M. Jia, L. Lu, and M. Yin, “Adaptive zero-learning medical image fusion,” Biomedical Signal Processing and Control, 84, 105008, 2023. Doi: https://doi.org/10.1016/j.bspc.2023.105008