Meyve yaprağı hastalığının tespıtı ıçın YOLOv8 ve faster R-CNN metotlarının kullanımı

Bu çalışma, gerçek zamanlı nesne tanımlama ve otonom bitki hastalığı teşhisi için derin öğrenme modellerinin, özellikle YOLOv8 ve Faster R-CNN'nin kullanımını araştırmaktadır. Araştırmada, elma, üzüm ve patates gibi çeşitli bitki türlerini içeren 11 farklı sınıftan 38 örnekten oluşan bir veri seti kullanılmaktadır. Bu kategoriler içinde, sağlıklı koşulları ve çeşitli hastalıkları temsil eden özel sınıflar bulunmaktadır. 3171 elma görüntüsü, 4063 üzüm görüntüsü ve 2852 patates görüntüsünden oluşan bu çeşitli veri seti, hastalık tanımlaması için makine öğrenimi modellerinin kapsamlı eğitimini ve değerlendirilmesini desteklemektedir. Alt kümenin istatistiksel analizi, sınıflar arasındaki görüntülerin farklı dağılımlarını ortaya koyarak, her bitki kategorisindeki belirli hastalıkların yaygınlığını ve önemini vurgulamaktadır. YOLOv8 ve Faster R-CNN'nin etkinliği, Intersection over Union (IoU), dikkat skoru ve çıkarım süresi gibi performans metrikleri kullanılarak değerlendirilmektedir. Spesifik sayısal değerler sağlanmamış olsa da, veriler YOLOv8'in IoU açısından iyi performans gösterdiğini ve Faster R-CNN'ye kıyasla daha yüksek bir dikkat skoruna ulaştığını göstermektedir. Buna karşılık, Faster R-CNN daha üstün IoU performansı sergilemekte ancak daha düşük bir dikkat skoruna sahiptir. Ayrıca, YOLOv8 daha hızlı çıkarım süreleri gösterirken, Faster R-CNN'in çıkarım süreleri önemli ölçüde daha uzundur. Bu metriklerin karşılaştırılmasıyla, çalışma her modelin güçlü yönlerine dair değerli bilgiler sunmakta ve bitki hastalığı teşhisi için derin öğrenme mimarilerinin seçimi ve optimizasyonuna rehberlik etmektedir. Araştırma ayrıca nesne tanımlama modellerindeki hız ve doğruluk arasındaki ödünleşimlere dikkat çekerek, uygulamaya özgü gereksinimlerin dikkate alınmasının önemini vurgulamaktadır. Genel olarak, bu çalışma, zararlı bitki hastalıklarıyla mücadelede derin öğrenme modellerinin potansiyelini araştırarak tarım teknolojisini ilerletmektedir. Otonom bitki hastalığı teşhisinde gelecekteki ilerlemelere zemin hazırlamakta ve teşhis tekniklerini geliştirerek küresel gıda güvenliğine katkıda bulunmaktadır.