Dergiler / ÇOMÜ Ziraat Fakültesi Dergisi / 2022 / Cilt: 10 - Sayı: 1
Vermikomposta Potasyum Uygulamasının Marulda (Lactuca sativa L.) Verim ve Bitki Besin Elementleri Miktarı Üzerine Etkisi
- Sayfa
- 63–67
- DOI
- —
Özet
Deneme, ülkemizde kullanımı ve üretimi artış gösteren vermikompostla birlikte potasyumlu gübreleme yapılmasının bitki verimi ve bitki besin elementlerinin miktarı üzerine etkisinin belirlenmesi amacı ile yürütülmüştür. Perlitte yetiştirilen marul (Lactuca sativa L.) bitkisine sabit miktarda vermikompost ve farklı dozlarda potasyum gübrelemesi yapılarak, bitki verimi ile bitkideki makro (K, P, Ca, Mg) ve mikro (Fe, Cu, Zn, Mn) besin elementlerinin miktarı irdelenmiştir. Araştırmada; bölgedeki bir solucan üretim tesisinden temin edilmiş olan vermikompost, ortam olarak perlit, bitki olarak marul bitkisi kullanılmıştır. Potasyum kaynağı olarak potasyum sülfat kaynaklı 0, 12.5, 25.0, 37.5 ve 50.0 kg K2O/da uygulanmıştır. Uygulanan potasyum dozlarından verim, demir, bakır, çinko istatistiksel olarak etkilenmezken, bitkideki fosfor, potasyum, kalsiyum, magnezyum ve mangan elementlerinin istatistiksel önemde etkilendiği saptanmıştır. Üretimi yapılan vermikompostların içeriklerinin aynı olmaması, standart bir ürün halinde bulunmamaları bu ürünün kullanımında göz önünde bulundurulmalıdır.
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.