SavedAdd your journal

Journals / Gaziosmanpaşa Bilimsel Araştırma Dergisi / 2021 / Cilt: 10 Sayı: 3

Görüntü İşleme Teknikleri ile Bağ Yaprak Uyuzu Hasarının Belirlenmesi

Ziya Altaş(TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ)
Mehmet Metin Özgüven(TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ)0000-0002-6421-4804
Mesut Dilmaç(TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ)0000-0002-7504-4791
Pages
77–87
Publication Date
2021-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Hasar tespitinde görüntü işleme yönteminin düşük maliyette, hızlı ve başarılı sonuçlar ortaya koyduğu sonucuna varılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Görüntü işleme, teknolojinin gelişimiyle ortaya çıkan ve tarımsal faaliyetlerde özellikle büyük verim ve ekonomik kayıplara sebep olan bitki hastalık ve zararlılarının doğru ve hızlı bir şekilde belirlenmesini sağlayan bir yöntemdir.
📊
Key Findings & Data:Bu çalışmada, MATLAB'ın image processing toolbox modülü kullanılarak bağ yaprak uyuzu zararlısının verdiği hasar, 50 görüntü içinde en düşük %10 ve en yüksek %87 zarar oranında tespit edilmiştir.
💡
Conclusion & Impact:Hasar tespitinde görüntü işleme yönteminin düşük maliyette, hızlı ve başarılı sonuçlar ortaya koyduğu sonucuna varılmıştır.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Görüntü işleme · Bağ uyuzu · Zararlı

Özet

Görüntü işleme, teknolojinin gelişimiyle ortaya çıkan ve tarımsal faaliyetlerde özellikle büyük verim ve ekonomik kayıplara sebep olan bitki hastalık ve zararlılarının doğru ve hızlı bir şekilde belirlenmesini sağlayan bir yöntemdir. Bu çalışmada, MATLAB'ın image processing toolbox modülü kullanılarak bağ yaprak uyuzu zararlısının verdiği hasar, 50 görüntü içinde en düşük %10 ve en yüksek %87 zarar oranında tespit edilmiştir. Çalışmada uzman değerlendirmesi ve görüntü işleme tekniği ile belirlenen hasar düzeyleri birbirine yakın bulunmuştur. Görüntü işleme sonuçları ile uzman değerlendirmesi arasındaki regresyon katsayısı R2 = 0.968, p < 0.01; Pearson korelasyon katsayısı: r = 0.984, p < 0.01 olarak belirlenmiştir. İki yöntem arasındaki bu ilişkinin istatistiki olarak önemli olması, hasar düzeyinin belirlenmesinde uzman değerlendirmesine alternatif olarak oluşturulan görüntü işleme yönteminin kullanılabileceğini göstermektedir. Örneğin bir görüntünün uzman değerlendirmesinde %20 hasar düzeyi ile sonuçlanırken, görüntü işleme hesaplaması ile %18 bulunmuştur. Uzman değerlendirmeleri tamsayı değerler iken hasarlı alanlar ise görüntü işleme algoritması ile kesin değerler olarak bulunmuştur. Hasar tespitinde görüntü işleme yönteminin düşük maliyette, hızlı ve başarılı sonuçlar ortaya koyduğu sonucuna varılmıştır.

🔖

Cite This Article

Altaş, Z., Özgüven, M. M., Dilmaç, M. (2021). Görüntü İşleme Teknikleri ile Bağ Yaprak Uyuzu Hasarının Belirlenmesi. Gaziosmanpaşa Bilimsel Araştırma Dergisi, Cilt: 10 Sayı: 3, 77–87. https://ajindex.com/articles/1487730

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (22)

  1. Ağın, O. ve Malaslı, M.Z., 2016. Görüntü İşleme Tekniklerinin Sürdürülebilir Tarımdaki Yeri ve Önemi: Literatür Çalışması. Tarım Makinaları Bilimi Dergisi (Journal of Agricultural Machinery Science) 2016, 12 (3), 199-206.
  2. Altaş Z, Özgüven M,M. ve Yanar, Y., 2019. Bitki Hastalık ve Zararlı Düzeylerinin Belirlenmesinde Görüntü İşleme Tekniklerinin Kullanımı: Şeker Pancarı Yaprak Leke Hastalığı Örneği. International Erciyes Agriculture, Animal Food Sciences Conference 24-27 April 2019 - Erciyes University - Kayseri/Turkiye (Tam Metin Bildiri).
  3. Anonim, 2008. Zirai Mücadele Teknik Talimatları Cilt 4. Gıda Tarım ve Hayvancılık Bakanlığı, Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü, Bitki Sağlığı Araştırma Daire Başkanlığı, 2008.
  4. Anonim, 2015. Bitki Hastalıkları Standart İlaç Deneme Metotları (Meyve-Bağ Hastalıkları). http://www.tarim.gov.tr (Erişim tarihi: 19.11.2015).
  5. Anonim, 2017. Bağ Entegre Mücadele Teknik Talimatı. Gıda Tarım ve Hayvancılık Bakanlığı, Tarımsal Araştırmalar ve Politikalar Genel Müdürlüğü, Bitki Sağlığı Araştırma Daire Başkanlığı, 2017.
  6. Barbedo, J.G.A., 2019. Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering 180 (2019) 96-107.
  7. Bhadane, G., Sharma S. ve Nerkar, V.B., 2013. Early Pest Identification in Agricultural Crops using Image Processing Techniques. International Journal of Electrical, Electronics and Computer Engineering 2(2): 77-82(2013).
  8. Demir, B., Çetin, N. ve Kuş, Z.A., 2016. Görüntü İşleme Tekniği İle Yabancı Ot Renk Özelliklerinin Belirlenmesi. Alınteri, 31 (B) – 2016 59 – 64, ISSN:1307-3311.
  9. Deng, L., Wang, Z., Wang, C., He, Y., Huang, T., Dong, Y. ve Zhang, X., 2020. Application of agricultural insect pest detection and control map based on image processing analysis. Journal of Intelligent & Fuzzy Systems 38 (2020) 379–389.DOI:10.3233/JIFS-179413.
  10. Doğu, D.M., Zobar, D., Solak, E. ve Öztürk, L., 2015. Bağ Hastalık ve Zararlılarıyla Mücadele. Türkiye Ziraat Odaları Birliği (Poster).
  11. Huddar, S.R., Gowri, S., Keerthana, K., Vasanthi, S. ve Rupanagudi, S.R., 2012. Novel Algorithm for Segmentation and Automatic Identification of Pests on Plants using Image Processing. 2012 Third International Conference on Computing, Communication and Networking Technologies (ICCCNT'12). DOI: 10.1109/ICCCNT.2012.6396012.
  12. Hussin, R., Juhari, M.R., Kang, N.W., Ismail, R.C. ve Kamarudin, A., 2012. Digital image processing techniques for object detection from complex background image. Procedia Engineering, vol:41, pp:340-344.
  13. Lee, S.H., Goëau, H., Bonnet, P. ve Joly, A., 2020. New Perspectives on Plant Disease Characterization Based on Deep Learning. Computers and Electronics in Agriculture, 170 (2020) 105-220.
  14. Miranda, J.L., Gerardo B.D. ve Tanguilig III, B.T., 2014. Pest Detection and Extraction Using Image Processing Techniques. International Journal of Computer and Communication Engineering, Vol. 3, No. 3, May 2014.
  15. Ozguven, M.M., 2018. The Newest Agricultural Technologies, Current Investigations in Agriculture and Current Research, 5(1), 573-580. Doi:10.32474/CIACR.2018.05.000201.
  16. Pavithra, N. ve Murthy, V.S. 2017. An Image Processing algorithm for pest detection. Perspectives in Communication, Embedded-Systems and Signal-Processing (PiCES) – An International Journal, ISSN: 2566-932X, Vol. 1, Issue 3, June 2017.
  17. Prathibha, G.P, Goutham, T.G., Tejaswini, M.V., Rajas, P.R., Balasubramani, K., 2014. Early Pest Detection in Tomato Plantation using Image Processing. International Journal of Computer Applications (0975 – 8887),Volume 96– No.12, June 2014.
  18. Reddy, K.A., Chandra Reddy, N.V.M. ve Sujatha, S., 2020. Precision Method for Pest Detection in Plants using the Clustering Algorithm in Image Processing. International Conference on Communication and Signal Processing, July 28 - 30, 2020, India.
  19. Semerci, A., Kızıltuğ, T., Çelik, A.D. ve Kiracı, M.A., 2015. Türkiye Bağcılığının Genel Durumu. Mustafa Kemal Üniversitesi Ziraat Fakültesi Dergisi, 20(2):42-51 (2015), Hatay.
  20. Sonka, M., Hlavac V. ve Boyle, R., 2013. Image processing, analysis, and machine vision. Cengage Learning; 4th ed. ISBN: 978-1133593607.
  21. Townsend, G.K. ve Heuberger, J.W., 1943. Methods for Estimating Losses Caused by Diseases in Fungicide Experiments. Plant Dis. Reptr., 27, 340-343.
  22. Uygun, T., Ozguven, M.M. ve Yanar, D., 2020. A new approach to monitor and assess the damage caused by two‑spotted spider mite. Experimental and Applied Acarology (2020) 82:335–346. https://doi.org/10.1007/s10493-020-00561-8.