Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightModel değerleri sonuçları “metrics/precision”, “metrics/recall”, “metrics/mAP_0,5” ve “metrics/ mAP_ 0,5:0,95” olarak incelenmiştir. “YOLOv5 small” modelinin metrik verilerinin diğer modellerle kıyaslandığında daha yüksek olduğu tespit edilmiştir.
📌 3 Maddede Bu Makale
Özet
Ürün verim tahmini, ürün hasadı ve pazarlama stratejilerinin oluşturulması için çok önemli bir rol oynamaktadır. Son yıllarda, birçok tarımsal üründe verimi tahmin etmek için bilgisayarla görme ve derin öğrenme teknikleri çalışmaları yapılmaktadır. Ürünlerin dal üzerinden tam olarak ayrılması ürün verim tahminini doğrudan etkilemektedir. Bu çalışmada ağaç üzerinde ürünlerin yerlerini tespit ederek ürün verim tahminini kolaylaştıracak derin öğrenme modeli gerçekleştirilmiştir. Materyal olarak zeytin seçilmiştir. Derin öğrenme tabanlı zeytin tespiti yapılmıştır. Modelin algoritması, zeytin tespiti için olive adlı nesne sınıfından oluşmaktadır. Eğitim ve test omurgası YOLOv5 (nano-small-medium ve large) modelleridir. Oluşturan modellerin tüm metrik değerleri incelenmiştir. En başarılı model YOLOv5s algoritmasıyla, 640x640 boyutundaki görsellerin 15 Batch, 115 Epoch ile eğitilmiş model olduğu görülmüştür. Model değerleri sonuçları “metrics/precision”, “metrics/recall”, “metrics/mAP_0,5” ve “metrics/ mAP_ 0,5:0,95” olarak incelenmiştir. “YOLOv5 small” modelinin metrik verilerinin diğer modellerle kıyaslandığında daha yüksek olduğu tespit edilmiştir. Başarı oranı 115 epoch için F1 score %85,18, precision %95,63, recall %84,24, mAP %72,8’dir. Buradan “Model 2”nin robotik zeytin hasadında zeytinin toplanmasında kullanılacak en iyi tespit modeli olduğu anlaşılmıştır.
Abstract
Crop yield prediction plays a very important role in crop harvesting and marketing strategies. In recent years, computer vision and deep learning techniques have been used to predict the yield of many agricultural crops. The exact separation of the crops from the branch directly affects the yield estimation. In this study, a deep learning model has been implemented to facilitate crop yield estimation by detecting the location of crops on the tree. Olives were selected as the material. Deep learning based olive detection was performed. The algorithm of the model consists of an object class named olive for olive detection. The training and test backbone are YOLOv5 (nano-small-medium and large) models. All metric values of the constituent models were analysed. It was seen that the most successful model was the model trained with the YOLOv5s algorithm with 15 Batches and 115 Epochs for 640x640 sized images. The results of the model values were analysed as "metrics/precision", "metrics/recall", "metrics/mAP_0,5" and "metrics/mAP_0,5:0,95". It was found that the metric data of the "YOLOv5 small" model was higher compared to other models. The success rate for 115 epochs is F1 score %85,18, precision %95,63, recall %84,24, mAP %72,8. It is concluded that "Model 2" is the best detection model to be used for olive picking in robotic olive harvesting.