Lazer Destekli Yabancı Ot Mücadelesi İçin Meristem Odaklı Nesne Tespiti
Abstract views: 35
/ 
PDF downloads: 21
Keywords:
Hassas Tarım, Lazerli Yabancı Ot Kontrolü, Meristem Tespiti, Yolov11, Derin Öğrenme, Bilgisayarlı GörüAbstract
Küresel gıda güvenliği ve çevresel sürdürülebilirlik kaygıları, geleneksel tarımdaki yoğun herbisit
kullanımına karşı alternatif arayışlarını hızlandırmıştır. Herbisitlerin çevreye ve insan sağlığına zararlarını
ortadan kaldıran lazer tabanlı fiziksel mücadele yöntemleri umut vadetmektedir. Ancak bu yöntemin
başarısı, yabancı otun yeniden büyümesini önlemek için lazerin sadece yapraklara değil, "apikal
meristem" (büyüme merkezi) dokusuna odaklanmasına bağlıdır. Bu çalışmada, lazerli sistemler için
yüksek hassasiyetli, derin öğrenme tabanlı bir meristem tespit yaklaşımı sunulmuştur. Güncel Ultralytics
YOLOv11 mimarisi kullanılarak, bitkinin genel sınırlarını ve meristem bölgesini eş zamanlı belirleyen
hiyerarşik bir strateji geliştirilmiştir. Önerilen yöntem, kontrollü ortam (Roboflow) ve karmaşık saha
koşullarını (Weed-AI) temsil eden iki farklı veri seti üzerinde değerlendirilmiştir. Deneysel sonuçlar,
kontrollü koşullarda hafif modellerin (YOLOv11s) %54,5 mAP ile yeterli olduğunu; ancak karmaşık saha
şartlarında yüksek konumsal hassasiyet için daha derin mimarilerin (YOLOv11x) gerekli olduğunu
(%32,2 mAP) göstermiştir. Bu çalışma, otonom robotların meristem odaklı hassas hedefleme
yapabileceğini kanıtlayarak, herbisitsiz hassas tarım uygulamaları için güçlü bir zemin oluşturmaktadır.
Downloads
References
FAO. (2017). The future of food and agriculture – Trends and challenges. Rome: Food and Agriculture Organization of the United Nations.
Oerke, E. C. (2006). Crop losses to pests. The Journal of Agricultural Science, 144(1), 31-43.
Aktar, W., Sengupta, D., & Chowdhury, A. (2009). Impact of pesticides use in agriculture: their benefits and hazards. Interdisciplinary Toxicology, 2(1), 1-12.
Heap, I. (2024). The International Herbicide-Resistant Weed Database. Available: www.weedscience.org.
Zuniga, J., et al. (2023). Autonomous weed management systems for sustainable agriculture: a review. Journal of Intelligent & Robotic Systems, 107(1), 1-25.
Marx, C., Barcikowski, S., Hustedt, M., Haferkamp, H., & Rath, T. (2012). Design and application of a weed damage model for laser weed control. Biosystems Engineering, 113(2), 148-157.
The University of Sydney. (2023). Weed-AI: Global Single-Shot Paspalum, Clover, and Broadleaf Weed Instance-Segmentation Dataset. Available: https://weed-ai.sydney.edu.au/datasets.
Roboflow. (2024). Weed/Crop Images Dataset. Roboflow Universe. Available: https://universe.roboflow.com.
Jocher, G., & Ultralytics. (2024). Ultralytics YOLO (Version 11). Available: https://github.com/ultralytics/ultralytics.
Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2010). The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 88(2), 303–338.
Paszke, A., et al. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems, 32.
Loshchilov, I., & Hutter, F. (2019). Decoupled Weight Decay Regularization. International Conference on Learning Representations (ICLR).
