Akıllı tarımda otomatık meyve tespiti için derin öğrenme çerçevelerinin karşılaştırmalı analizi

Son zamanlarda, akıllı tarım için ağaçlardaki meyveleri otomatik olarak belirlemeye yönelik derin öğrenme tabanlı nesne algılama yaklaşımları ön plana çıkmıştır. Bununla birlikte, çeşitli çerçevelerin farklı meyve türlerine uygunluğu bu tür çalışmalarda yeterince analiz edilmemiştir. Bunu göz önünde bulundurarak, bu tezde, farklı meyve türlerini tespit etmek için nesne tespitine yönelik farklı derin öğrenme çerçevelerinin performansı kapsamlı bir şekilde analiz edilmiştir. Bu amaçla, nesne tespiti için güncel literatüre göre en yüksek performanslı derin öğrenme çerçeveleri arasında yer alan RetinaNet, YOLOv3 ve YOLOv4 çerçeveleri ile mango, badem, üzüm ve elma görselleri için 5 farklı veri seti kullanılmıştır. Kapsamlı bir deneysel analiz sonunda, tespit doğruluğu, eğitim süresi ve tespit süresi açısından RetinaNet'in en iyi çerçeve olduğu gözlemlenmiştir. Ayrıca görüntü veri setlerini oluştururken atmosferik koşullar, nesnenin özellikleri ve günün saati gibi faktörlerin algılama performansı üzerinde büyük etkisi olduğu bulunmuştur. Son olarak, deneylerin koşullarının belgelenmesinin, deneylerin tekrarlanabilirliğini ve farklı çerçeveler ve veri kümeleri arasında karşılaştırmayı kolaylaştırdığı belirtilmiştir