Mısır tarlasında görüntü işleme yöntemi ile yabancı otların tespiti

Abstract

Mısır, tarımsal açıdan büyük öneme sahip olan bir bitkilerin başında gelmektedir. Dünyanın en önemli tahıllarından biri mısırdır. Ancak mısır bitkisi, yabancı otlarla mücadele açısından biraz hassas bir bitkidir. Bu yabancı otlar, mısır bitkisinin büyümesini ve verimini olumsuz etkilemektedir. Bu nedenle mısır yetiştiriciliğinde yabancı ot tespiti ve kontrolü büyük önem taşır. Bu yabancı otların mısırın v5 gelişim evresine kadar olan yabani otları tanımlamak için görüntü işlemeyi kullanmak, tarım üreticilerine büyük kolaylık sağlayıp otomatik algılama ve kontrol imkânı sağlanması hedeflenmiştir. Bu teknolojiler, tarımsal verimi artırmak ve yabancı ot kontrolünü etkinleştirmek için önemli araçlardır. Bu çalışmada, Roboflow ile makine öğrenmesinden yararlanarak kendi görüntü veri setlerimizi oluşturup, eğitimde kullanılacak görüntülerdeki yabancı otların mısırdan ayrıştırılıp, tespit edilmesi işlemi yapılarak kendi veri setimiz oluşturulmuştur. Roboflow üzerinden online oluşturduğumuz veri setini Google Colab' a eklenmesi sağlanmıştır. Yüksek doğruluk oranına sahip nesne tanımlama algoritmaların öncülerinden Yolo v9 derin öğrenme kütüphanesini de dahil edip, geliştirdiğimiz algoritma ile oluşturduğumuz veri seti üzerindeki mısır dışındaki yabancı otların tespitinin sağlanması hedeflenmiştir. Ayrıca mısır tarlası içerisindeki yabancı otların yoğunlukta olduğu kısımlar bölgeler halinde belirlenmiştir. Böylece o bölgelere lokal ilaçlama yapılarak hem ilaç maliyetinden tasarruf hem de sağlıklı mısırların daha az kimyasala maruz kalacağından dolayı aynı zamanda daha çevreci bir sistem yapılması sağlanmıştır.

Maize is one of the plants of great agricultural importance. One of the most important cereals in the world is maize. However, maize plant is a sensitive plant in terms of weed control. These weeds negatively affect the growth and yield of the maize plant. Therefore, weed detection and control is of great importance in maize cultivation. It is aimed to use image processing to identify these weeds up to the v5 development stage of maize, providing great convenience to agricultural producers and providing automatic detection and control. These technologies are important tools to increase agricultural yield and enable weed control. In this study, we created our own image datasets using machine learning with Roboflow and created our own dataset by separating and detecting weeds from corn in the images to be used in training. The dataset we created online via Roboflow was added to Google Colab. By including the Yolo v9 deep learning library, which is one of the pioneers of high accuracy object identification algorithms, it is aimed to detect weeds other than corn on the data set we have created with the algorithm we have developed. In addition, the parts where weeds are dense in the corn field were determined as regions. Thus, by spraying those areas locally, it is ensured to save both the cost of medication and to make a more environmentally friendly system at the same time since healthy corns will be exposed to less chemicals.