Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÇalışma sonucunda 3000 iterasyonla ortalama kayıp 0.417 civarına düşürülmüştür.
📌 3 Maddede Bu Makale
Özet
Derin öğrenme, makine öğrenmesi ve görüntü işleme teknikleri tarımsal işlerin kolaylaştırılmasında ve üretim aşamsındaki farklı problemlere çözümler geliştirilmesinde kullanılan önemli birer araç haline gelmişlerdir. Bu çalışma kapsamında AugeLab Studio’da derin öğrenme mimarilerinden CNN kullanılarak, eş zamanlı nesne tespiti için genelde tercih edilen YOLO algoritmasıyla bir tohum sayısı ve türünün tespit uygulaması geliştirilmiştir. Çalışma sonucunda 3000 iterasyonla ortalama kayıp 0.417 civarına düşürülmüştür. Analizler sonucunda fasulye sınıflandırma başarı oranı %97-%100 arasında değişiklik gösterirken nohut sınıflandırma oranının %91 ile %100 arasında değişmekte olduğu tespit edilmiştir. Buna ek olarak tek görseldeki toplam 11 adet fasulye ve 10 adet nohut tohumunun sayısı %100 doğrulukla tespit edilmiştir. Sonuç olarak yapay zeka görüntü işleme tekniklerinin kullanılarak tohumluk üretim firmaları, tarımsal biyoteknoloji laboratuvarları ve tohum sertifikasyon kuruluşlarının tohum sayma, çeşit ve/veya tür ayrımı yapma, çimlenen tohumların ayrıştırılması ve tespiti veya tohum sertifikasyon süreçlerindeki yabancı karışımların tespit edilip oranlanması gibi tarımın bir çok alanında iş yükünün ve maliyetin azaltılırken zamandan kazanç sağlanabileceğini göstermiştir.
Abstract
Deep learning, machine learning and image processing techniques have become important tools used in facilitating agricultural work and developing solutions to different problems in the production phase. In this study, a seed number and type detection algorithm was developed using YOLO deep learning architecture, a real-time object detection algorithm employing the CNN structure in AugeLab Studio sofware. With the developed model average loss factor of 0.417 was achieved after 3000 iterations. As a result of the analysis, it has been determined that the bean classification accuracy varies between 97% and 100%, while the chickpea classification accuracy varies between 91% and 100%. In addition, the total number of 11 beans and 10 chickpea seeds in a single image was determined with 100% accuracy. The results demonstrated that AugeLab, a software employing artificial inteligence based image processing techniques, can be used by seed production companies, agricultural biotechnology laboratories and seed certification institutions in counting and classification of seeds. It can also be used in variety and/or species separation, separating and detecting germinated seeds, or detecting and proportioning foreign mixtures in seed certification processes within shorter time and less costs.