AI Summary & Key Takeaways
AI InsightThe results demonstrate a promising application of artificial intelligence and embedded systems for sustainable and efficient disease management in precision agriculture.
📌 3 Key Takeaways
Abstract
Plant diseases remain a major challenge in modern agriculture, causing considerable reductions in both yield and crop quality. This study focuses on the development of an intelligent unmanned ground vehicle (UGV) capable of detecting plant diseases in real time and autonomously responding through targeted spraying. A camera mounted on the UGV captures continuous images of crop rows, and disease detection is carried out using the YOLO (You Only Look Once) algorithm—chosen for its speed and accuracy in real-time object recognition. To evaluate model performance, YOLOv7, v8, and v9 were trained using datasets focused on potato leaf diseases, including early and late blight. The YOLOv8 model was selected for deployment on a Raspberry Pi 4B based on its superior detection accuracy. Additionally, a servo motor-enhanced vision system was implemented to broaden the camera’s coverage. The UGV's autonomous driving is enabled by a combination of five ultrasonic sensors and an ANFIS (Adaptive Neuro-Fuzzy Inference System)-based decision-making module, which governs navigation and motion planning. As the vehicle traverses the field, the onboard system identifies infected plants and activates a localized spraying mechanism to treat only the affected areas. This integrated approach significantly reduces pesticide use, minimizes environmental harm, and lowers the dependency on manual labor. The results demonstrate a promising application of artificial intelligence and embedded systems for sustainable and efficient disease management in precision agriculture.
Özet
Bitki hastalıkları modern tarımda önemli bir sorun olmaya devam etmektedir ve hem verimde hem de ürün kalitesinde önemli düşüşlere neden olmaktadır. Bu çalışma, bitki hastalıklarını gerçek zamanlı olarak tespit edebilen ve hedefli ilaçlama yoluyla otonom olarak müdahale edebilen bir insansız kara aracının (İKA) geliştirilmesini amaçlamaktadır. UGV'ye monte edilmiş bir kamera, ürün sıralarının sürekli görüntülerini yakalar ve hastalık tespiti, gerçek zamanlı nesne tanımadaki hızı ve doğruluğu nedeniyle seçilen YOLO (You Only Look Once) algoritması kullanılarak gerçekleştirilir. Model performansını değerlendirmek için, YOLOv7, v8 ve v9, erken ve geç yanıklık dahil olmak üzere patates yaprak hastalıklarına odaklanan veri kümeleri kullanılarak eğitildi. YOLOv8 modeli, üstün tespit doğruluğuna dayanarak bir Raspberry Pi 4B'de kullanılmak üzere seçildi. Ek olarak, kameranın kapsamını genişletmek için servo motorla geliştirilmiş bir görüş sistemi uygulandı. UGV'nin otonom sürüşü, navigasyon ve hareket planlamasını yöneten beş ultrasonik sensör ve ANFIS (Uyarlanabilir Nöro-Bulanık Çıkarım Sistemi) tabanlı bir karar verme modülünün birleşimiyle sağlanır. Araç tarlada ilerlerken, yerleşik sistem enfekte bitkileri belirler ve yalnızca etkilenen alanları tedavi etmek için bir enjektör mekanizmasını etkinleştirir. Bu entegre yaklaşım, pestisit kullanımını önemli ölçüde azaltır, çevresel zararı en aza indirir ve el ile yapılan çalışmalara bağımlılığı düşürür. Sonuçlar, hassas tarımda sürdürülebilir ve verimli hastalık yönetimi için yapay zekanın ve gömülü sistemlerin uygulamasının umut verici olduğunu göstermektedir.