Robotik Hasat Sistemlerinde Kullanılmak Amacıyla Lahana ve Brokolinin Derin Öğrenme Metodu ile Sınıflandırılması

Yazarlar

  • Erhan Kahya Tekirdağ Namık Kemal University, Vocational College of Technical Sciences, Department of Electronic and Automation, Control and Automation Technology Program, Tekirdağ https://orcid.org/0000-0001-7768-9190
  • Fatma Funda Özdüven Tekirdağ Namık Kemal University, Vocational College of Technical Sciences, Department of Plant and Livestock Production, Greenhousing Program, Tekirdağ https://orcid.org/0000-0003-4286-8943

DOI:

https://doi.org/10.24925/turjaf.v11i9.1639-1647.6177

Anahtar Kelimeler:

Lahana- brokoli- derin öğrenme- sınıflandırma- Tanımlama

Özet

Robotik hasat sistemlerinde lahana ve brokolinin derin öğrenme kullanılarak sınıflandırılması oldukça önemlidir. Derin öğrenme, yapay sinir ağları ve büyük veri setleri kullanılarak karmaşık modellerin öğrenilmesine olanak sağlayan bir makine öğrenme yöntemidir. Bu yöntem yardımıyla bitki sınıflandırmasında ve görsel tanıma problemlerinde etkili bir şekilde kullanılabilir. Lahana ve brokoli gibi bitkilerin sınıflandırılması için öncelikle bir derin öğrenme modeli oluşturulması gerekmektedir. Bu nedenle yapılan çalışmada derin öğrenme yöntemlerinden olan Inception_v3 görüntü tanıma ve sınıflandırma modellemesi kullanılmıştır. Çalışma oluşturulan 2 sınıf üzerinden yürütülmüştür. Oluşturulan sınıflar lahana ve brokoli’dir. Modelin eğitimi için Google Colab’ın sağladığı tpu donanım hızlandırıcısı kullanılmıştır. Eğitim döngüsü (epoch) sayısı 10’dur.Eğitim parametreleri olarak öğrenme hızı 0,001 tespit edilmiştir. Bu sonuçlara göre brokoli ve lahana data setin eğitimi için Inception_v3 modelinin başarılı olduğu sonucuna varılmıştır. Eğitim sürecinde modelin kayıp değeri giderek düşmüş ve doğruluk değeri artmıştır. Son aşama olan doğrulama aşamasında kayıp değeri 0,0005, doğruluk değeri 1,0000 olarak gözlenmiştir.

Referanslar

Afonso M, Fonteijn H, Foirentin FS, Lensink D, Mooij M, Faber N, Polder G, Wehrens R. 2020.Tomato Fruit Detection And Counting in Greenhouses Using Deep Learning. Frontiers in Plant Science, 11, doi: 10.3389/fpls.2020.571299

Anonim 1. 2023. http://acikerisim.aksaray.edu.tr/xmlui/ bitstream/ handle/2 0.500. 12451/9522/foto-ozgur-2022.pdf? sequence=1,Erişim tarihi:08.06.2023

Anonim 2. 2023. https://pytorch.org/hub/pytorch_vision_ inception _v3,Erişim tarihi: 08.06.2023

Anonim 3. 2023. https://cloud.google.com/tpu/docs/inception-v3-advanced,Erişim tarihi: 08.06.2023

Anonim 4. 2023. https://openaccess.hacettepe.edu.tr/xmlui/ bitstream/handle /11655 /4536/ 10192378.pdf? sequence =1,Erişim tarihi:08.06.2023

Bozokalfa MK, Eşiyok D, Yoltaş T, Koçak M. 2004. Bazı Brokkoli Çeşitlerinin Verim Kalite ve Teknolojik Özelliklerinin Belirlenmesi. V. Sebze Tarımı Sempozyumu 21-24 Eylül Çanakkale.

De Luna RG, Dadios EP, Bandala AA, Vicerra RRP. 2019. Size classification of tomato fruit using thresholding, machine learning and deep learning techniques. Agrivita, 41(3), 586–596, doi: 10.17503/agrivita.v41i3.2435

Eşiyok D, Salman MH, Bozokalfa MK, Şen F, Aşçıoğul Kaygısız T. 2010. Bazı Brokkoli Çeşitlerinde Raf Ömrü Süresince Kalite Değişimlerinin Belirlenmesi, Ege Üniv. Ziraat Fak. Derg., 2010, 47 (1): 79-86 ISSN 1018 – 8851

Funamoto Y, Yamauchi N, Shigenaga T, Shigyo M. 2002. Effects of heat treatment on chlorophyll degrading enzymes in stored broccoli (Brassica oleraceae L.) Postharvest Biology and Technology 24: 163-170.

Jiangchuan L, Mantao W, Lie B, Xiaofan L, Jun S, Yue M. 2019. Classification and recognition of turtle ımages based on convolutional neural network, IOP Conference Series: Materials Science and Engineering, Volume 782, 4. Sustainability and Environmental Protection, Citation Jiangchuan Liu et al 2020 IOP Conf. Ser.: Mater. Sci. Eng. 782 052044,doi: 10.1088/1757-899X/782/5/052044

Kara E, Baktemür G. 2023. Sebze yetiştiriciliği. lahana (Brassica oleracea L.) Yetiştiriciliğİ S:203-217, İksad Yayınları., ISBN: 978-625-6404-83-0

Konstantinos P, Ferentinos KP. 2018. Deep learning models for plant disease detection and diagnosis, Computers and Electronics in Agriculture, Vol: 145,Pages:311-318. doi:10.1016/j.compag.2018.01.009

Milioto A, Lottes P, Stachiniss C. 2018. Real-time semantic segmentation of crop and weed for precision, Agriculture Robots Leveraging Background Knowledge in CNNs,. doi:10.1109/icra.2018.8460962

Mu Y, Chen TS, Ninomiya S, Guo W. 2020. Intact detection of highly occluded immature tomatoes on plants using deep learning techniques. Sensors, 20(10), 2984, doi:10.3390/ s20102984

Mutha SA, Shah AM, Ahmed MZ. 2021.Maturity detection of tomatoes using deep learning. SN Computer Science, 2(6), 441, doi: 10.1007/s42979-021-00837-9

Sladojevic S, Arsenovic M, Anderla A, Culibrk D, Stefanovic D. 2016. Deep neural networks based recognition of plant diseases by leaf ımage classification. Computational Intelligence And Neuroscience, doi:10.1155/2016/3289801

Seo D, Cho BH, Kim K. 2021. Development of monitoring robot system for tomato fruits in hydroponic greenhouses. Agronomy, 11(11), 2211, doi: 10.3390/agronomy11112211

Şalk A, Arın L, Deveci M, Polat S. 2008. Özel Sebzecilik, Namık Kemal Üniversitesi Ziraat Fakültesi Bahçe Bitkileri Bölümü, s:488, Tekirdağ.

Tavalı İE, Maltaş AŞ, Uz İ, Kaplan M. 2014. Vermikompostun beyaz baş lahananın (brassica oleracea var. Alba) verim, kalite ve mineral beslenme durumu üzerine etkisi. Akdeniz Univ. Ziraat Fak. Derg. 27(1): 61-67

Vural H, Eşiyok D, Duman İ. 2000.Kültür sebzeleri (Sebze Yetiştirme) 440s.ISBN:975-90790-0-2.

Zhou Z, Song Z, Fu L, Gao F, Li R, Cui Y. 2020. Real-time kiwifruit detection in orchard using deep learning on Android™ smartphones for yield estimation. Computers and Electronics in Agriculture, Vol:179, doi:10.1016 /j.compag.2020.105856

Zhuang X, ZhangT. 2020. Detection of sick broilers by digital image processing and deep learning, Biosystems Engineering,Volume 179, March 2019, Pages 106-116,doi: 10.1016/j.biosystemseng.2019.01.003

Zhang L, Jia J, Gui G, Hao X, Gao W, Wang M. 2018. Deep learning based improved classification system for designing tomato harvesting robot. IEEE Access, 6, 67940-67950, doi: 10.1109/access.2018.2879324

Yayınlanmış

2023-09-30

Nasıl Atıf Yapılır

Kahya, E., & Özdüven, F. F. (2023). Robotik Hasat Sistemlerinde Kullanılmak Amacıyla Lahana ve Brokolinin Derin Öğrenme Metodu ile Sınıflandırılması . Türk Tarım - Gıda Bilim Ve Teknoloji Dergisi, 11(9), 1639–1647. https://doi.org/10.24925/turjaf.v11i9.1639-1647.6177

Sayı

Bölüm

Araştırma Makalesi