Comparison of Development Strawberry Fruit With Deep Learning Methods

Abstract

Tarımda yapay zeka uygulamalarının kullanımı her geçen gün artmakta, buna paralel olarak bilgisayarlı görü dünyasında geliştirilen modeller ile ürün tespit ve takibi daha doğru sonuçlar vermektedir. Ülkemizde Ege, Akdeniz ve Marmara bölgelerinde yoğun yetiştirilen, ayrıca seralarda da çok geniş yetişme alanı bulunan çilek meyvesi dar bir hasat zamanına sahiptir. Hasat (derim) için çileğin hasat zamanının geciktirilmesi çileğin yumuşamasına, erken hasadı ise verimin düşmesine neden olmaktadır. Çilek gelişim evrelerinin yapay zeka destekli görüntü işleme teknikleriyle takip edilmesi, olgunlaşan çileklerin tespit edilerek bunların zamanında hasat edilmesini kolaylaştıracaktır. Çilek meyvesinden sabit zaman aralıklarında alınan görüntülerin Yolo, FasterCNN ve SSD görüntü işleme algoritmalarıyla olgunlaşma tespiti yapılarak hangi algoritmanın daha hızlı ve doğru sonuçlar verdiği bilimsel veriler ışığında grafiksel olarak karşılaştırılmıştır. Cep telefonundan farklı zaman ve benzer açılardan alınan görüntüler kullanılarak nesne algılama çalışmaları için veri seti oluşturulmuştur. Evrişimsel sinir modelleri dünyası sürekli artan ihtiyaçlara binaen daha hızlı ve sağlıklı sonuçlar üreten sistemler geliştirmektedir. Evrişimsel sinir ağları modellerinde başarının artması tarımda yapay zeka uygulamalarını destekleyecek ve insansız tarım, hasat robotları gibi teknolojilerin daha doğru çalışmasını sağlayacaktır. Hazırlanan bu tez evrişimsel sinir ağları modellerinin başarı analizlerini matematiksel olarak hesaplayıp çıkan sonuçları grafik ve tablolarla anlaşılır bir şekilde karşılaştırmıştır. Sıkça kullanılan sinir ağı modellerinin deneysel analizlerle elde edilen sonuçlarının karşılaştırmalı grafikleri bu alanda yapılan çalışmalara katkı sağlayacaktır. Anahtar kelimeler: Bitki gelişimi, FasterCNN, Görüntü işleme, OpenCv, Python, SSD, Yolo, Yapay zeka

The use of artificial intelligence applications in agriculture is increasing every single day, and in parallel with this, the models developed in the world of computer vision provide more accurate results in product detection and tracking. Strawberry fruit, which is grown intensively in the Aegean, Mediterranean and Marmara regions of our country, and also has a wide growing area in greenhouses, has a narrow harvest time. Delaying the harvest time of the strawberry for harvest (my skin) causes the strawberry to soften, and the early harvest causes the efficieny to decrease. Following the strawberry development stages with artificial intelligence supported image processing techniques will facilitate the detection of ripe strawberries and their timely harvest. The ripening detection of the images taken from the strawberry fruit at fixed time intervals was made with Yolo, FasterCNN and SSD image processing algorithms, and which algorithm gave faster and more accurate results was compared graphically in the light of scientific data. A data set was created for object detection studies by using images taken from a mobile phone at different times and from similar angles The world of convolutional neural models develops systems that produce faster and healthier results based on ever-increasing needs. Increasing success in convolutional neural network models will support artificial intelligence applications in agriculture and will enable technologies such as unmanned agriculture and harvesting robots to work more accurately. This thesis prepared mathematically calculates the success analysis of convolutional neural network models and compares the results with graphs and tables in an understandable way. Comparative graphics of the results obtained by experimental analysis of frequently used neural network models will contribute to the studies in this field. Keywords: Artificial intelligence, Development, FasterCNN, Image processing, OpenCv, Python, Plant SSD, Yolo