Derin öğrenme ile bitkilerin sulama ihtiyacı tespiti
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tarımın nüfus artışıyla birlikte beslenme ve sürdürülebilir gıda üretimi konusundaki zorlukları göz önüne alındığında, su kaynaklarının etkin bir şekilde kullanılması ve bitkilerin doğru sulama ile büyümesi kritik bir öneme sahiptir. Yapay Zeka (YZ), tarım alanında su yönetimi ve bitki sağlığının izlenmesi için önemli araçlar sunmaktadır. Bu çalışma, bitki yapraklarından elde edilen görüntülerin Evrişimsel Sinir Ağları (ESA) ile analiz edilerek bitkilerin su ihtiyacını belirlemeyi amaçlamaktadır. Çalışma, iki farklı bitki türü olan Seleginella ve Kolyos üzerinde odaklanmaktadır. Sulama öncesi ve sulama sonrası durumlar arasındaki farklılıkları belirleyerek su ihtiyacını tespit etmeyi hedeflemektedir. Veri seti, bitkilerin sulamadan önce ve sonra farklı arka planlarda çekilen görüntülerini içermektedir. Toplamda, Seleginella bitkisine ait 504 adet ve Kolyos bitkisine ait 696 adet görüntü elde edilmiştir. Bu araştırmada iki farklı teknik belirlenmiştir; uygun ESA modelini eğitmek ve transfer öğrenme metodu kullanarak hangi tekniğin daha uygun olduğunu araştırmak. Transfer öğrenme metodunda GoogLeNet, Inception-v3, DenseNet, ResNet-18, DarkNet-201 mimarileri kullanılmıştır. Çalışmanın değerlendirilmesinde, test verisi üzerinden doğruluk, F1 skoru, kesinlik gibi metrikler kullanılarak modellerin performansı ölçülmüştür. Seleginella bitkisi için en yüksek test doğruluğuna sahip geliştirilen ESA modeli ile Inception-v3 modeli, 1 değerine ulaşmıştır. Kolyos bitkisi için en yüksek test doğruluğuna sahip ESA modeli ise ResNet-18 ve Inception-v3 modelleriyle elde edilmiş olup, doğruluk değeri 0.9958'dir. Geliştirilen ESA modeli Kolyos bitkisi için 0.9153 değeriyle yüksek test doğruluğu elde edilmiştir. Bunlara ek olarak hiperparametre ayarının sonuçlar üzerindeki etkisi vurgulanarak, öğrenme oranları, filtre boyutları ve optimizasyon algoritmalarının dikkatlice seçilmesinin genel performansı etkileyebileceği belirtilmiştir.. Bu noktada, daha geniş kapsamlı araştırmalara ve çeşitli hiperparametre kombinasyonlarına odaklanmak, modelin genel performansını daha da iyileştirebilir. Sonuç olarak, bu çalışma, tarım sektöründe sulama yönetimi ve yapay zeka uygulamalarının birleşimini ele alarak, ESA modelinin başarılı bir şekilde bitkilerin sulanma durumunu sınıflandırabildiğini göstermiştir.
Considering the challenges in nutrition and sustainable food production with the increase in population, efficient use of water resources and proper irrigation for plant growth are of critical importance in agriculture. Artificial Intelligence (AI) provides essential tools for water management and monitoring plant health in the agricultural sector. This study aims to determine the water needs of plants by analyzing images obtained from plant leaves using Convolutional Neural Networks (CNN), specifically focusing on two different plant species: Seleginella and Kolyos. The study aims to identify differences between pre-irrigation and post-irrigation conditions to assess water requirements. The dataset includes images taken before and after irrigation with different backgrounds for both Seleginella (504 images) and Kolyos (696 images) plant species. Two distinct techniques are defined in this research: training a suitable CNN model and investigating which technique is more suitable using transfer learning. In the transfer learning method, architectures such as GoogLeNet, Inception-v3, DenseNet, ResNet-18, and DarkNet-201 are employed. The evaluation of the study measures the performance of models using metrics such as accuracy, F1 score, and precision on the test data. The developed CNN model and Inception-v3 model achieved the highest test accuracy of 1 for Seleginella plant. For Kolyos plant, the highest test accuracy was achieved with the CNN model using ResNet-18 and Inception-v3 models, with an accuracy value of 0.9958. The developed ESA model for Kolyos plant achieved high test accuracy with a value of 0.9153. Additionally, the impact of hyperparameter tuning on results is emphasized, indicating that carefully selecting learning rates, filter sizes, and optimization algorithms can influence overall performance. In this regard, focusing on more comprehensive research and various hyperparameter combinations could further enhance the overall performance of the model. In conclusion, this study demonstrates the successful classification of plant irrigation status by combining irrigation management in the agricultural sector with artificial intelligence applications, specifically utilizing the CNN model.
Considering the challenges in nutrition and sustainable food production with the increase in population, efficient use of water resources and proper irrigation for plant growth are of critical importance in agriculture. Artificial Intelligence (AI) provides essential tools for water management and monitoring plant health in the agricultural sector. This study aims to determine the water needs of plants by analyzing images obtained from plant leaves using Convolutional Neural Networks (CNN), specifically focusing on two different plant species: Seleginella and Kolyos. The study aims to identify differences between pre-irrigation and post-irrigation conditions to assess water requirements. The dataset includes images taken before and after irrigation with different backgrounds for both Seleginella (504 images) and Kolyos (696 images) plant species. Two distinct techniques are defined in this research: training a suitable CNN model and investigating which technique is more suitable using transfer learning. In the transfer learning method, architectures such as GoogLeNet, Inception-v3, DenseNet, ResNet-18, and DarkNet-201 are employed. The evaluation of the study measures the performance of models using metrics such as accuracy, F1 score, and precision on the test data. The developed CNN model and Inception-v3 model achieved the highest test accuracy of 1 for Seleginella plant. For Kolyos plant, the highest test accuracy was achieved with the CNN model using ResNet-18 and Inception-v3 models, with an accuracy value of 0.9958. The developed ESA model for Kolyos plant achieved high test accuracy with a value of 0.9153. Additionally, the impact of hyperparameter tuning on results is emphasized, indicating that carefully selecting learning rates, filter sizes, and optimization algorithms can influence overall performance. In this regard, focusing on more comprehensive research and various hyperparameter combinations could further enhance the overall performance of the model. In conclusion, this study demonstrates the successful classification of plant irrigation status by combining irrigation management in the agricultural sector with artificial intelligence applications, specifically utilizing the CNN model.
Açıklama
Anahtar Kelimeler
Mekatronik Mühendisliği, Mechatronics Engineering, Yapay zeka, Artificial intelligence
