KaydedilenlerDerginizi ekleyin

Dergiler / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2026 / Cilt: 17 Sayı: 1

Yapay-zeka tabanlı bitki hastalığı tespiti ve otonom robotik ilaçlama sistemi

A framework for AI-based plant disease detection and autonomous robotic agricultural spraying

Burhan Ök(KARABUK UNIVERSITY)0000-0003-3511-8482
Kenan Işık(KARABÜK ÜNİVERSİTESİ)0000-0002-0973-5180
Sayfa
—
Yayın Tarihi
2026-03-19
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Geliştirilen hastalıklı bölgeye noktasal ilaçlama konsepti sayesinde, tarımsal ilaçlama için gereken iş gücü maliyetlerinin yanı sıra kullanılan pestisit miktarı azaltılarak hem pestisit maliyetleri hem de tüketicilerin pestisitlere maruz kalma oranı düşürülebilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, yapay zeka (AI) kullanarak bitki hastalıklarını tespit etmek ve mobil bir robot manipülatörü kullanarak verimli tarımsal ilaçlama yapmak için yenilikçi bir çerçeve sunmaktadır.
📊
Temel Bulgular & Veri:Yapay zeka modelinin eğitimi için veri seti, hastalıklı ve sağlıklı bitki yapraklarının fotoğraflarının çekilmesi ve veri setinin YOLO algoritmasına göre etiketlenmesiyle oluşturulmuştur.
💡
Sonuç & Katkı:Geliştirilen hastalıklı bölgeye noktasal ilaçlama konsepti sayesinde, tarımsal ilaçlama için gereken iş gücü maliyetlerinin yanı sıra kullanılan pestisit miktarı azaltılarak hem pestisit maliyetleri hem de tüketicilerin pestisitlere maruz kalma oranı düşürülebilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:tarımsal ilaçlama · yapay zeka · mabil manipülasyon

Özet

Bu çalışma, yapay zeka (AI) kullanarak bitki hastalıklarını tespit etmek ve mobil bir robot manipülatörü kullanarak verimli tarımsal ilaçlama yapmak için yenilikçi bir çerçeve sunmaktadır. Yapay zeka modelinin eğitimi için veri seti, hastalıklı ve sağlıklı bitki yapraklarının fotoğraflarının çekilmesi ve veri setinin YOLO algoritmasına göre etiketlenmesiyle oluşturulmuştur. Bitki hastalığını tespit etmek için derinlik sensörüne sahip ve nokta bulutu verisi sağlayan bir kamera kullanılmış, hastalığın konumu kinematik yöntemlerle uç işlevciye göre hesaplanmıştır. Sistem entegrasyonu için Robot İşletim Sistemi (ROS) kullanılmış ve kinematik hesaplamalar ile robot kolunun hareket planlaması için Moveit! paketi entegre edilmiştir. Robot kolu, ROS'un Navigation-Stack paketi kullanılarak bitkiler arasında otonom olarak hareket eden iki tekerlekli bir mobil platform üzerine yerleştirilmiştir. Geliştirilen hastalıklı bölgeye noktasal ilaçlama konsepti sayesinde, tarımsal ilaçlama için gereken iş gücü maliyetlerinin yanı sıra kullanılan pestisit miktarı azaltılarak hem pestisit maliyetleri hem de tüketicilerin pestisitlere maruz kalma oranı düşürülebilmektedir.

Abstract

This study presents a novel framework to detect plant diseases using artificial intelligence (AI) and efficient agricultural spraying using a mobile robot manipulator. The dataset for training the AI model was created by taking photos of plant leaves with and without disease and labeling the dataset according to the YOLO algorithm. A camera with a depth sensor providing point cloud data was used to detect plant disease and its location relative to the end effector was calculated using kinematic methods. The Robot Operating System (ROS) was used for system integration along with Moveit! package for kinematic calculations and motion planning of the robotic arm. The robotic arm is located on a two-wheeled mobile platform that autonomously navigates among the plants using Navigation-Stack of ROS. With the help of the developed spot spraying on the diseased area concept, not only the labor cost for agricultural spraying but also the amount of pesticides used for agricultural spraying can be reduced, lowering the pesticide costs and consumer exposure to the pesticides.

🔖

Bu Makaleye Atıf Yap

Ök, B., Işık, K. (2026). Yapay-zeka tabanlı bitki hastalığı tespiti ve otonom robotik ilaçlama sistemi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 17 Sayı: 1. https://doi.org/10.24012/dumf.1608369

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (30)

  1. Ghosh, “Mapped: The dramatic global rise of urbanization (1950-2020),” World Economic Forum, Feb. 9, 2019. [Online]. Available: https://www.weforum.org/agenda/2019/09/mapped-the-dramatic-global-rise-of-urbanization-1950-2020/
  2. A. A. Akram, S. Chowdhury, and A. M. Mobarak, “Effects of emigration on rural labor markets,” National Bureau of Economic Research, Working Paper 23929, Oct. 2017. [Online]. Available: http://www.nber.org/papers/w23929
  3. Bilgi Teknolojileri ve İletişim Kurumu (BTK), “Araştırma raporları,” 2019. [Online]. Available: https://btk.gov.tr/arastirma-raporlari. Accessed: Dec. 16, 2025.
  4. European Commission, Farm to Fork Strategy: For a Fair, Healthy and Environmentally-Friendly Food System, COM(2020) 381 final, Brussels, Belgium, May 2020. [Online]. Available: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52020DC0381
  5. A. Al Kuwaiti, K. Nazer, A. Al-Reedy, S. Al-Shehri, A. Al-Muhanna, A. V. Subbarayalu, D. Al Muhanna, and F. A. Al-Muhanna, “A review of the role of artificial intelligence in healthcare,” Journal of Personalized Medicine, vol. 13, no. 6, Art. no. 951, Jun. 2023. [Online]. Available: https://doi.org/10.3390/jpm13060951
  6. C. Maraveas, “Incorporating artificial intelligence technology in smart greenhouses: Current state of the art,” Applied Sciences, vol. 13, no. 1, p. 14, 2022. [Online]. Available: https://doi.org/10.3390/app13010014
  7. J. Pedersen and K. M. Lind, Precision Agriculture and the Future of Farming in Europe, European Parliament, 2017. [Online]. Available: https://www.europarl.europa.eu/RegData/etudes/STUD/2016/581892/EPRS_STU(2016)581892_EN.pdf
  8. O. Karaçay and S. Kılıç, “The effects of agricultural tire technologies on soil compaction, traction performance and agricultural productivity,” Scientific Journal of Mehmet Akif Ersoy University, vol. 7, no. 2, pp. 64–80, 2024. [Online]. Available: https://doi.org/10.70030/sjmakeu.1563596
  9. A. J. Hamza and W. L. Anderson, “A review on the effect of soil compaction and its management for sustainable crop production,” J. Biosystems Eng., vol. 46, pp. 417–439, Nov. 2021. [Online]. Available: https://doi.org/10.1007/s42853-021-00117-7
  10. E. Anastasiou, S. Fountas, M. Voulgaraki, V. Psiroukis, M. Koutsiaras, O. Kriezi, et al., “Precision farming technologies for crop protection: A meta-analysis,” Smart Agricultural Technology, vol. 5, Art. no. 100323, 2023. [Online]. Available: https://doi.org/10.1016/j.atech.2023.100323
  11. R. Sapkota, J. Stenger, M. Ostlie, et al., “Towards reducing chemical usage for weed control in agriculture using UAS imagery analysis and computer vision techniques,” Scientific Reports, vol. 13, Art. no. 6548, 2023. [Online]. Available: https://doi.org/10.1038/s41598-023-33042-0
  12. M. İnan and A. Karcı, “Tarımda ağaç ilaçlamanın drone’larla yapılmasında yeni bir yöntemin geliştirilmesi ve uygulanması,” Computer Science, vol. 6, no. 2, pp. 72–89, 2021. [Online]. Available: https://izlik.org/JA96YF74TF
  13. F. E. Nasir, M. Tufail, M. Haris, J. Iqbal, S. Khan, and M. T. Khan, “Precision agricultural robotic sprayer with real-time tobacco recognition and spraying system based on deep learning,” PLOS ONE, vol. 18, no. 3, Art. no. e0283801, Mar. 2023. [Online]. Available: https://doi.org/10.1371/journal.pone.0283801
  14. S. Forhad, K. Z. Tayef, M. Hasan, A. N. M. S. Hasan, M. Z. Islam, and M. R. K. Shuvo, “An autonomous agricultural robot for plant disease detection,” in The Fourth Industrial Revolution and Beyond: Select Proc. IC4IR+, Lecture Notes in Electrical Engineering, vol. 980, Singapore: Springer Nature Singapore, 2023, pp. 695–708. [Online]. Available: https://doi.org/10.1007/978-981-19-8032-9_50
  15. M. Al-Mamury, N. Manivannan, H. Al-Raweshidy, and W. Balachandran, "Mobile robot based electrostatic spray system for controlling pests on cotton plants in Iraq," Journal of Physics: Conference Series, vol. 646, no. 1, p. 012008, 2015. [Online]. Available: https://doi.org/10.1088/1742-6596/646/1/012008
  16. R. Oberti, M. Marchi, P. Tirelli, A. Calcante, M. Iriti, E. Tona, M. Hočevar, J. Baur, J. Pfaff, C. Schütz, and H. Ulbrich, “Selective spraying of grapevines for disease control using a modular agricultural robot,” Biosyst. Eng., vol. 146, pp. 203–215, 2016. [Online]. Available: https://doi.org/10.1016/j.biosystemseng.2015.12.004
  17. D. T. Fasiolo, L. Scalera, E. Maset, and A. Gasparetto, “Towards autonomous mapping in agriculture: A review of supportive technologies for ground robotics,” Robot. Auton. Syst., vol. 169, Art. no. 104514, 2023. [Online]. Available: https://doi.org/10.1016/j.robot.2023.104514
  18. H. Özgen and M. Turan, “Sulama/ilaçlama robotu için nesne tanıma çalışmaları,” Avrupa Bilim ve Teknoloji Dergisi (EJOSAT Ek Özel Sayı HORA), pp. 25–33, 2021. [Online]. Available: https://doi.org/10.31590/ejosat.1115830
  19. S. Ramesh and R. Hebbar, “Plant disease detection using machine learning,” in Proc. 2018 Int. Conf. on Design Innovations for 3Cs Compute, Communicate, Control (ICDI3C), Bangalore, India, Apr. 2018, pp. 41–45. [Online]. Available: https://doi.org/10.1109/ICDI3C.2018.00017
  20. S. P. Mohanty, D. P. Hughes, and M. Salathé, “Using deep learning for image-based plant disease detection,” Frontiers in Plant Science, vol. 7, Art. no. 1419, Nov. 2016. [Online]. Available: https://doi.org/10.3389/fpls.2016.01419
  21. M. H. Saleem, J. Potgieter, and K. M. Arif, “Plant disease detection and classification by deep learning,” Plants, vol. 8, no. 11, p. 468, Nov. 2019. [Online]. Available: https://doi.org/10.3390/plants8110468
  22. P. S. Kesava and K. P. Peeyush, “Autonomous robot to detect diseased leaves in plants using convolutional neural networks,” in Proc. 3rd Int. Conf. Trends in Electronics and Informatics (ICOEI), Tirunelveli, India, Apr. 2019, pp. 806–809. [Online]. Available: https://doi.org/10.1109/ICOEI.2019.8862737
  23. P. Karpyshev, V. Ilin, I. Kalinov, A. Petrovsky, and D. Tsetserukou, “Autonomous mobile robot for apple plant disease detection based on CNN and multi-spectral vision system,” in Proc. 2021 IEEE/SICE Int. Symp. on System Integration (SII), Iwaki, Fukushima, Japan, Jan. 2021, pp. 157–162. [Online]. Available: https://doi.org/10.1109/IEEECONF49454.2021.9382649
  24. A. Xenakis, G. Papastergiou, V. C. Gerogiannis, and G. Stamoulis, “Applying a convolutional neural network in an IoT robotic system for plant disease diagnosis,” in Proc. 11th Int. Conf. Information, Intelligence, Systems and Applications (IISA), Piraeus, Greece, Jul. 2020, pp. 1–8. [Online]. Available: https://doi.org/10.1109/IISA50023.2020.9284356
  25. I. Hrabar, G. Vasiljević, and Z. Kovačić, “Estimation of the energy consumption of an all-terrain mobile manipulator for operations in steep vineyards,” Electronics, vol. 11, no. 2, p. 217, 2022. [Online]. Available: https://doi.org/10.3390/electronics11020217
  26. H. Hejazipoor, J. Massah, M. Soryani, K. A. Vakilian, and G. Chegini, “An intelligent spraying robot based on plant bulk volume,” Computers and Electronics in Agriculture, vol. 180, Art. no. 105859, 2021. [Online]. Available: https://doi.org/10.1016/j.compag.2020.105859
  27. K. V. N. Rajesh and D. L. Bhaskari, “Optimum dataset size for ayurvedic plant leaf recognition using convolution neural networks,” in Data Management, Analytics and Innovation: Proc. ICDMAI 2021, vol. 1, Singapore: Springer, 2021, pp. 249–261. [Online]. Available: https://doi.org/10.1007/978-981-16-2934-1_16
  28. V. Ponnusamy, A. Coumaran, A. S. Shunmugam, K. Rajaram, and S. Senthilvelavan, “Smart glass: Real-time leaf disease detection using YOLO transfer learning,” in Proc. 2020 Int. Conf. Commun. Signal Process. (ICCSP), Jul. 2020, pp. 1150–1154. [Online]. Available: https://doi.org/10.1109/ICCSP48568.2020.9182146
  29. Pjreddie, “YOLO: Real-Time Object Detection,” 2018. [Online]. Available: https://pjreddie.com/darknet/yolo/
  30. Stanford University, “Convolutional neural networks (CNNs / ConvNets),” 2018. [Online]. Available: https://cs231n.github.io/convolutional-networks/