Derin öğrenme yöntemleri ile meyve tanıma ve rekolte tahmini

Kivi meyvesinin bahçelerde otomatik olarak tespiti, meyve ile dalların ve gövdelerin karmaşık arka planının benzerliği nedeniyle zorlu bir görevdir. Ayrıca, kivi meyvelerinin geleneksel el ile toplama yöntemi insan emeğine büyük ölçüde bağımlıdır ve genel verimi etkilemektedir. Bu tez çalışmasında, verim tahmini ve maliyet azaltma için kritik olan kivi meyvesinin bahçelerde doğal ortamda hızlı ve kesin tespiti odak noktasıdır. Kivi meyve tespiti için Daha hızlı bölgesel evrişimli sinir ağı (Daha hızlı B-ESA) ve Maske bölgesel evrişimli sinir ağı (Maske B-ESA) olmak üzere iki derin öğrenme yöntemi kullanılmış ve sonuçlar karşılaştırılmıştır. Çalışmada ilk olarak, Samsun Çarşamba Güngör çiftliğinden kivi ağaçlarının görüntülerine ait orijinal bir veri seti oluşturulmuştur. Veri setine ön işleme teknikleri uygulandıktan sonra Daha Hızlı B-ESA ve Maske B-ESA yöntemleriyle meyve tespiti gerçekleştirilmiştir. SqueezeNet ve MobileNetV3 gibi, önceden eğitilmiş mimariler kullanılarak ortalama hassasiyet (mAP) değeri %87,4 ve %88,8 olarak sırasıyla elde edilmiştir. Çalışmanın ikinci bölümünde, ResNet50 tabanlı Maske B-ESA yöntemi kullanılarak işlenmiştir ve daha yüksek bir mAP değeri olan %98,48 elde edilmiştir. Deneysel sonuçlar, bahçelerde gerçek zamanlı kivi meyvesi tespiti için önerilen derin öğrenme modellerinin uygulanabilirlik ve etkinliğini göstermektedir.