Derin Öğrenme ve Nesne Algılama Yöntemleri Kullanılarak Bazı Bağ Zararlılarının Oluşturduğu Hasarın YOLOv8x Modeli ile Tespiti
DOI:
https://doi.org/10.24925/turjaf.v12i3.386-396.6510Anahtar Kelimeler:
Derin Öğrenme- Nesne Algılama- YOLOv8x- Bağ Zararlıları- BağÖzet
Bağların kontrolünün, takibinin ve bakımının zamanında doğru bir şekilde yapılması çok önemlidir. Bağ zararlılarıyla mücadelede aşırı pestisit kullanımı, insan sağlığını tehlikeye atmakta ve çevre kirliliğine yol açmaktadır. Ayrıca aşırı pestisit kullanımı ekonomik açıdan düşünüldüğünde işletme giderlerinin artmasına sebep olmaktadır. Bu nedenle bağdaki zararlıların ve hasarlarının zamanında teşhisi çok önemlidir. Zamanında tespiti sağlamaya yardımcı olan yöntemlerden biri derin öğrenmedir. Bu çalışmada, bir derin öğrenme nesne algılama algoritması olan YOLOv8x modeli ile bazı bağ zararlılarının (Salkım güvesi, Trips, Bağ yaprak uyuzu ve İki noktalı kırmızı örümcek) yaprak ve meyve kısmında oluşturduğu hasarın tespitine yönelik çalışma gerçekleştirilmiştir. 7 farklı sınıftan ve 3500 görüntüden meydana gelen veri seti oluşturulmuştur. Oluşturulan veri seti; YOLOv8(n/s/m/l/x) modelleri ile eğitilmiştir. Eğitim sonucunda, YOLOv8x modeli performans değerleri sırayla; mAP0,5, mAP0,5-0,95, Kesinlik (Precision), Duyarlılık (Recall), 0,926, 0,648, 0,892 ve 0,903 şeklinde sonuçlar vermiştir. Aynı veri seti, YOLOv7, DETR ve RTMDet modelleriyle de eğitilerek YOLOv8x modeliyle performans karşılaştırmaları yapılmıştır. Karşılaştırma sonucunda bağlarda belirtilen zararlıların oluşturduğu hasarı en iyi tespit eden YOLOv8x modeli olmuştur.
Referanslar
Altaş, Z., Özgüven, M. M., & Dilmaç, M. (2021). Görüntü işleme teknikleri ile bağ yaprak uyuzu hasarının belirlenmesi. Gaziosmanpaşa Bilimsel Araştırma Dergisi (GBAD), Volume 10:3:77-87
Altaş, Z., Özgüven, M. M., & Adem, K. (2023). Automatic detection and classification of some vineyard diseases with Faster R-CNN model. Turkish Journal of Agriculture - Food Science and Technology, 11(1), 97–103. https://doi.org/10.24925/turjaf.v11i1.97-103.5665
Bai, R., Shen, F., Wang, M., Lu, J., & Zhang, Z. (2023). Improving detection capabilities of YOLOv8-n for small objects in remote sensing imagery: Towards Better Precision with Simplified Model Complexity. (2023) DOI: https://doi.org/10.21203/rs.3.rs-3085871/v1
Barbedo, J. G. A. (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180:96-107
Cai, H., & Jiang, J. (2023). An improved plant disease detection method based on YOLOv5. 2023 15th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC) | 979-8-3503-2617-8/23/$31.00 ©2023 IEEE | DOI: 10.1109/IHMSC58761.2023.00062
Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. Computer Vision and Pattern Recognition (cs.CV) 2020. https://doi.org/10.48550/arXiv.2005.12872
Feng, C., Zhong, Y., Gao, Y., Scott, M. R., & Huang, W. (2021). TOOD: Task-Aligned one-stage object detection. In Proceedings of the 2021 IEEE International Conference on Computer Vision (ICCV), Montreal, QC, Canada, 10–17 October 2021; pp. 3490–3499
Geetharamani, G., & Arun, P. J. (2019). Identification of plant leaf diseases using a nine-layer deep convolutional neural network. Computers and Electrical Engineering, 76:323-338
Jocher, G., Chaurasia, A., & Qiu, J. (2023). “YOLO by Ultralytics.” https://github.com/ultralytics/ultralytics. (Erişim tarihi: 25.10.2023)
Kang, J., Zhao, L., Wang, K., & Zhang, K. (2023). Research on an improved YOLOv8 image segmentation model for crop pest. Advances in Computer, Signals and Systems Clausius Scientific Press, Canada. DOI: 10.23977/acss.2023.070301. ISSN 2371-8838 Vol. 7 Num. 3
Kaplan, C., Zeki, C., Çakırbay, F., Çetin, G., Öztürk, N., Altındişli, Ö., & Kahveci, Y. (2008). Meyve ve bağ zararlıları. Zirai Mücadele Teknik Talimatları Cilt IV. Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü Bitki Sağlığı Araştırmaları Daire Başkanlığı
Karabat, S. (2014). Türkiye ve dünya bağcılığı. Apelasyon, ISSN:2149-4908. http://apelasyon.com/Yazi/33-dunya-ve-turkiye-bagciligi (Erişim Tarihi: 08.12.2023)
Leng, S., Musha, Y., Yang, Y., & Feng, G. (2023). CEMLB-YOLO: Efficient detection model of maize leaf blight in complex field environments. Appl. Sci. 2023, 13, 9285. https:// doi.org/10.3390/app13169285
Li, X., Wang, W., Wu, L., Chen, S., Hu, X., Li, J., Tang, J., & Yang, J. (2020). Generalized Focal Loss: Learning qualified and distributed bounding boxes for dense object detection. arXiv 2020, arXiv:2006.04388
Li, S., Liu, S., Cai, Z., Liu, Y., Chen, G., & Guoqing, G. (2023). TC-YOLOv5: rapid detection of floating debris on raspberry Pi 4B. Journal of Real-Time Image Processing (2023) 20:17. https://doi.org/10.1007/s11554-023-01265-z
Lyu, C., Zhang, W., Huang, H., Zhou, Y., Wang, Y., Liu, Y., Zhang, S., & Che, K. (2022). RTMDet: An empirical study of designing real-time object detectors. Computer Vision and Pattern Recognition. https://doi.org/10.48550/arXiv.2212.07784
Mahesh, T. Y., & Mathew, M. P. (2023). Detection of bacterial spot disease in bell pepper plant using YOLOv3, IETE Journal of Research, DOI: 10.1080/03772063.2023.2176367
Orchi, H., Sadik, M., Khaldoun, M., & Sabir, E. (2023). Real-time detection of crop leaf diseases using enhanced YOLOv8 algorithm. International Wireless Communications and Mobile Computing (IWCMC) 2023 | 979-8-3503-3339-8/23/$31.00 ©2023 IEEE | DOI: 10.1109/IWCMC58020.2023.10182573
Ozguven, M., & Adem, K. (2019). Automatic detection and classification of leaf spot disease in sugar beet using deep learning algorithms. Physica A: Statistical Mechanics and its Applications, 535(2019), 122537. doi: 10.1016/j.physa.2019.122537
Ozguven, M. M., & Altas, Z. (2022). A new approach to detect mildew disease on cucumber (Pseudoperonospora cubensis) leaves with ımage processing. J Plant Pathol. https://doi.org/10.1007/s42161-022-01178-z
Ozguven, M. M., & Yanar, Y. (2022). The technology uses in the determination of sugar beet diseases. In: Misra, V., Srivastava, S., Mall, A.K. (eds) Sugar Beet Cultivation, Management and Processing. Springer, Singapore. https://doi.org/10.1007/978-981-19-2730-0_30
Ozguven, M. M. (2023). The digital age in agriculture. CRC Press Taylor & Francis Group LLC. ISBN 978-103-23-8577-8
Rashid, J., Khan, I., Ali, G., Rehman, S. U., Alturise, F., & Alkhalifah, T. (2023). Real-time multiple guava leaf disease detection from a single leaf using hybrid deep learning technique. Computers, Materials & Continua, 74(1), 1235-1257. https://doi.org/10.32604/cm c.2023.032005
Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. arXiv 2018, arXiv:1804.02767
Roy, A. M., & Bhaduri, J. (2021). A deep learning-enabled multi-class plant disease detection model based on computer vision. AI 2021, 2, 413–428. https://doi.org/10.3390/ ai2030026
Terven, J. R., & Cordova-Esparza, D. M. (2023). A comprehensive review of yolo: from yolov1 and beyond. arXiv:2304.00501v4 [cs.CV]
Terzi, İ., Özgüven, M. M., Altaş, Z., & Uygun, T. (2019). Tarımda yapay zeka kullanımı. International Erciyes Agriculture, Animal Food Sciences Conference 24-27 April 2019- Erciyes University- Kayseri/Turkey.
Uygun, T., Ozguven, M. M., & Yanar, D. (2020). A new approach to monitor and assess the damage caused by two-spotted spider mite. Experimental and Applied Acarology, 82(3), 335-346. https://doi.org/10.1007/s10493-020-00561-8
Vaidya, S., Kavthekar, S., & Joshi, A. (2023). Leveraging YOLOv7 for plant disease detection. 2023 4th International Conference on Innovative Trends in Information Technology (ICITIIT) | 978-1-6654-9414-4/23/$31.00 ©2023 IEEE | DOI: 10.1109/ICITIIT57246.2023.10068590
Wang, J., Yu, L., Yang, J., & Dong, H. (2021). DBA_SSD: A novel end-to-end object detection algorithm applied to plant disease detection. Information 2021, 12, 474. https://doi.org/10.3390/info12110474
Wang, C. Y., Bochkovskiy, A., & Liao, H. Y. M. (2022). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. Institute of Information Science, Academia Sinica, Taiwan. https://doi.org/10.48550/arXiv.2207.02696
Wang, G., Chen, Y., An, P., Hong, H., Hu, J., & Huang, T. (2023). UAV- YOLOv8: A small-object-detection model based on improved YOLOv8 for UAV aerial photography scenarios. Sensors 2023, 23, 7190. https:// doi.org/10.3390/s23167190
Zhang, Z., Qiao, Y., Guo, Y., & He, D. (2022). Deep learning based automatic grape downy mildew detection. Front. Plant Sci. 13:872107. doi: 10.3389/fpls.2022.872107
Zhang, L., Ding, G., Li, C., & Li, D. (2023). DCF-Yolov8: An improved algorithm for aggregating low-level features to detect agricultural pests and diseases. Agronomy 2023, 13, 2012. https://doi.org/10.3390/agronomy13082012
Zheng, Wang, P., Liu, W., Li, J., Ye, R., & Ren, D. (2020). Distance-IoU loss: Faster and better learning for bounding box regression. In Proceedings of the AAAI Conference on Artificial Intelligence, New York, NY, USA, 7–12 February 2020; pp. 12993–13000
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
