Modeller, 6 sınıflı bir muz olgunluk seviyesi veri seti ile eğitilerek elde edilen test sonuçları yaygın kullanılan ölçütler ile karşılaştırılmıştır.
📌 3 Maddede Bu Makale
🎯
Amaç & Hipotez:Tarımsal üretimde kalite ve verimin artırılması ve maliyetlerin azaltılması için yüksek doğrulukla çalışan otonom sistemlerin kullanımı kaçınılmazdır.
📊
Temel Bulgular & Veri:Ürün hasatının çok sayıda otonom robot sistemi tarafından farklı olgunluk seviyelerindeki ürünlerin toplanması şeklinde gerçekleştirilebilmesi için ürünlerin olgunluklarının yapay zeka yöntemleriyle tespit edilebilmesi gerekmektedir.
💡
Sonuç & Katkı:Modeller, 6 sınıflı bir muz olgunluk seviyesi veri seti ile eğitilerek elde edilen test sonuçları yaygın kullanılan ölçütler ile karşılaştırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:tarımsal otomasyon sistemleri · muz olgunluk seviyesi · derin öğrenme
Özet
Tarımsal üretimde kalite ve verimin artırılması ve maliyetlerin azaltılması için yüksek doğrulukla çalışan otonom sistemlerin kullanımı kaçınılmazdır. Ürün hasatının çok sayıda otonom robot sistemi tarafından farklı olgunluk seviyelerindeki ürünlerin toplanması şeklinde gerçekleştirilebilmesi için ürünlerin olgunluklarının yapay zeka yöntemleriyle tespit edilebilmesi gerekmektedir. Bu çalışmada, çoklu otonom robotik hasat sistemlerinde kullanılmak üzere muz olgunluk seviyelerinin otonom olarak sınıflandırılmasına yönelik iki evrişimsel sinir ağı modeli (YOLOv5s,YOLOv8n) kullanılmıştır. Modeller, 6 sınıflı bir muz olgunluk seviyesi veri seti ile eğitilerek elde edilen test sonuçları yaygın kullanılan ölçütler ile karşılaştırılmıştır.
DULKADİR, S., GÜLTEKİN, G. K. (2023). Tarımsal Otomasyon Sistemleri için Muz Olgunluk Seviyelerinin Derin Öğrenme Yöntemleri İle Sınıflandırılması. EMO Bilimsel Dergi, Cilt: 13 Sayı: 3, 27–34. https://ajindex.com/articles/967405
Boz, F. ve Hüseyinli, N. "Türkiye’de Muz Üretimi ve İthalatına Yönelik Bir Tahmin Modellemesi." Uygulamalı Bilimler Fakültesi Dergisi 1.1-2 (2019): 63-82. [2] https://data.tuik.gov.tr/Bulten/Index?p=Bitkisel-Uretim-Istatistikleri-2022-45504, 30.12.2022, Erişim tarihi: 06.07.2023 [3] Phillips, Katherine M., et al. "Dietary fiber, starch, and sugars in bananas at different stages of ripeness in the retail market." PLoS One 16.7 (2021): e0253366. [4] Yap, Min, et al. "The effects of banana ripeness on quality indices for puree production." Lwt 80 (2017): 10-18. [5] Gul, Omer Melih, and Aydan Muserref Erkmen. "Energyaware UAV-driven Data Collection with Priority in Robotic Wireless Sensor Network." IEEE Sensors Journal (2023). [6] Mamat, N., Othman, M. F., Abdulghafor, R., Alwan, A. A., & Gulzar, Y. (2023). Enhancing image annotation technique of fruit classification using a deep learning approach. Sustainability, 15(2), 901. [7] Sa, I., Ge, Z., Dayoub, F., Upcroft, B., Perez, T., & McCool, C. (2016). Deepfruits: A fruit detection system using deep neural networks. sensors, 16(8), 1222. [8] Hamidisepehr, A., Mirnezami, S. V., & Ward, J. K. (2020). Comparison of object detection methods for corn damage assessment using deep learning. Transactions of the ASABE, 63(6), 1969-1980. [9] Ahmad, A., Saraswat, D., & El Gamal, A. (2023). A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools. Smart Agricultural Technology, 3, 100083. [10] Dai, M., Dorjoy, M. M. H., Miao, H., & Zhang, S. (2023). A New Pest Detection Method Based on Improved YOLOv5m. Insects, 14(1), 54. [11] G. Jocher, A. Chaurasia, and J. Qiu, “YOLO by Ultralytics.” https://github.com/ultralytics/, 2023 [12] Uysal, Fatih, and Metehan Erkan. "Evrişimsel Sinir Ağları Temelli Derin Öğrenme Modelleri Kullanılarak Beyin Tümörü Manyetik Rezonans Görüntülerinin Sınıflandırılması." EMO Bilimsel Dergi 13.2: 19-27. [13] İsa, K. O. Ç., et al. "Raylı Sistemlerde Peron Ayırıcı Kapı Sistemi İçin Yapay Sinir Ağı Tabanlı Hata Teşhis Yaklaşımı." EMO Bilimsel Dergi 13.1: 13-22. [14] Redmon, J., et al. "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. [15] Z. Zheng, P. Wang, W. Liu, J. Li, R. Ye, and D. Ren, “Distance-iou loss: Faster and better learning for bounding box regression,” in Proceedings of the AAAI conference on artificial intelligence, vol. 34