Derin öğrenme teknikleri ile bazı bağ zararlılarının oluşturduğu hasarın belirlenmesi

İklim değişikliği kaynaklı küresel ısınma, tarımsal üretimde çeşitli zorluklara neden olmaktadır. Tarımsal üretimdeki zorluklardan biri, çeşitli zararlı popülasyonlarında artıştır. Popülasyondaki artış, tarım ürünlerini ciddi şekilde tehdit etmekte ve verimlilik ile kaliteyi önemli ölçüde olumsuz etkilemektedir. Çoğu zaman çiftçilerin zararlıları ve etkilerini tanımlamada güçlük çekmeleri, yanlış ve aşırı insektisit uygulamalarına neden olabilmektedir. Aşırı insektisit kullanımı hem insan sağlığını tehdit etmekte hem de çevresel kirliliğe yol açarken, üretim maliyetlerini artırarak çiftçiler üzerinde ekonomik baskı oluşturmaktadır. Bu nedenle, zararlıların ve bitkilere verdikleri hasarın erken tespiti, tarımsal sistemlerin sürdürülebilirliği açısından kritik bir öneme sahiptir. Bu çalışmada, derin öğrenme yöntemleri kullanılarak bağlarda salkım güvesi, trips, iki noktalı kırmızıörümcek ve bağ yaprak uyuzu gibi bazı önemli bağ zararlıların hasarlarını tespit etmek için YOLOv8n tabanlı bir model geliştirilmiştir. Geliştirilen model AgDet-YOLO olarak adlandırılmıştır. Bu modelde, SPPF bloğu GSPPF bloğu ile, evrişim katmanındaki SiLU aktivasyon fonksiyonu ReLU ile ve modelin boyun ağındakii evrişim katmanları hayalet evrişim katmanı ile değiştirilmiştir. Ayrıca omurga ağına GSPPF bloğu öncesi Küresel Dikkat Mekanizması (GAM) modülü eklenmiştir. Kafa ağındaki katman bağlantıları değiştirilerek modelin toplam parametre sayısı 3.2M'den 2.9M'a indirilmiştir. Eğitim sürecinde, geliştirilen modelin genel sınıf başarısı standart modelde mAP@0.5 metriğinde 0.955 iken, geliştirilen modelde bu değer 0.963'e yükselmiştir. Ayrıca, geliştirilen model, YOLOv5n, YOLOv8n modelleri ve farklı tek aşamalı model olan MobileNetv2-SSD ile performans karşılaştırmaları yapılmıştır.