Detection of Poppy, Hemp, and Tobacco Plants From Images of Rotary-Wing Unmanned Aerial Vehicles Using Deep Learning Algorithms

Abstract

Sadece devlet kontrolünde yetiştirilen haşhaş, kenevir ve tütün bitkilerinin kaçak yoldan üretilmesinin tespiti için döner kanatlı İnsansız Hava Aracı (İHA) görüntülerini kullanarak derin öğrenme algoritmalarından YOLOv5 (You Only Look Once) teknolojisi ile özelleştirilmiş nesne algılama ve sınıflandırma yapmaktır. Bu tez çalışmasında, döner kanatlı İHA kullanılmasının önemi; uçuş sırasında pervane açısını değiştiren mekanik bir sisteme ihtiyaç olmayışı ve dört pervane kullanılması sayesinde her bir pervanenin çapının küçük olmasına imkân sağlaması, pervanelerin kinetik enerjilerinin ve çarpma anında oluşan hasarın düşük seviyede kalması ve özellikle tarım arazileri için uygunluğudur. Gerçek zamanlı alınan görüntüler üzerinde Yapay Zekâ (YZ) yöntemlerinin kullanılması çalışmanın etkinlik alanını ve gerçeklik oranındaki doğruluğunu arttırmaktadır. Bu tezde, döner kanatlı İHA kullanılarak tarım alanlarındaki görüntülerin çekilmesi ile veri seti oluşturulmuştur. Veri seti Google Colaboratory (Colab) tarafında eğitilerek YOLOv5 ile YOLOR (You Only Learn One Representation) algoritmaları karşılaştırılmıştır. Veri seti üzerinde yapılan eğitimlerde YOLOv5 algoritmasında en yüksek doğruluk oranına ulaşılsa da YOLOR algoritması ile daha kısa bir sürede veri setinin eğitimi gerçekleştirmiştir. Veri seti üzerinde yapılan gerçek zamanlı nesne tespiti test işlemlerinde YOLOR algoritmasına kıyasla YOLOv5 algoritması tarafında bitkilerin daha başarılı bir şekilde sınıflandırıldığı sonucuna ulaşılmıştır. Dolayısıyla bu tezde, YOLOv5 algoritması önerilerek literatüre katkı sağlayacağı aşikârdır.It is to perform customized object detection and classification with YOLOv5 (You Only Look Once) technology, one of the machine learning algorithms, by using rotary-wing Unmanned Aerial Vehicle (UAV) images to detect the illegal production of poppy, hemp and tobacco plants grown only under state control. In this thesis, the importance of using rotary wing UAV; the need for a mechanical system that changes the propeller angle during flight, and thanks to the use of four propellers it allows the diameter of each propeller to be small the kinetic energies of the propellers and the damage at the time of impact are kept at a low level and they are especially suitable for agricultural lands. The use of Artificial Intelligence (AI) methods on images taken in real time increases the scope of the study and its accuracy in reality rate. In this thesis, a data set was created by taking images in agricultural areas using rotary wing UAV. The data set was trained by Google Colaboratory (Colab) and YOLOv5 and YOLOR (You Only Learn One Representation) algorithms were compared. Although the highest accuracy rate was achieved in the YOLOv5 algorithm in the trainings on the dataset, the training of the dataset was carried out in a shorter time with the YOLOR algorithm. It was concluded that the plants were classified more successfully by the YOLOv5 algorithm compared to the YOLOR algorithm in the real-time object detection test processes on the data set. Therefore, in this thesis, it is obvious that it will contribute to the literature by suggesting the YOLOv5 algorithm.