Derin öğrenmeyle zararlı otların tespiti ve sınıflandırması

CNN, imalatlar, robotizasyon, sürdürülebilir çevre ve tıbbi süreçler gibi çeşitli uygulamalarda çeşitli komplikasyonları çözebilir. CNN yönteminin kullanılabileceği bir diğer önemli alanda hassas tarım uygulamalarındır. Bitki mahsul yönetimini gerçekleştirmek için önemli bir adımı yabani otları erken büyüme aşamalarında tespit edilmesi ve kısıtlanmasıdır. Kimyasal olmayan yabani ot kontrolü, sürdürülebilir organik tarımın çok önemli bir yönüdür. Sonuç olarak, bu tez, en gelişmiş derin öğrenme algoritmasını araştırdı ve mahsul ve yabani ot türlerini tespit etmek ve sınıflandırmak için CovWNET olarak adlandırılan yabani ot tespiti için yeni ve basit bir evrişimsel ağ önermektedir. Bu tezde aynı zamanda birlikte, transfer öğrenme uygulamaları da kullanılmış ve bu uygulamalar ile önerilen modeller kıyaslanmıştır. CovWNET, bu çalışmada karşılaştırılan uygulamalar arasında en küçük ikinci ağ modeli olmuştur. Karşılaştırma yapılan transfer modeli ağları arasında en küçük ağ olan MobileNetV2'e kıyasla kabaca 1,5 kat daha fazla parametreye sahiptir fakat %2.8 daha fazla test doğruluğuna erişmiştir. Ayrıca en yüksek doğruluk skoruna sahip olan DenseNET modeline kıyasla %1.7 daha az doğruluk hassasiyetine sahiptir fakat DenseNET modellinden yaklaşık yedi kat daha düşük parametrelere sahiptir. Performans metrikleri olarak kesinlik, geri çağırma, F1 puanı ve destek parametreleri veri kümesinin her sınıfının genel performansını değerlendirmek için kullanılmıştır. Anahtar kelimeler: Derin Öğrenme Algoritmaları, Evrişimsel Sinir Ağları, CovWNET, Transfer Öğrenme Mimarisi, Zararlı Ot Tespiti ve Sınıflandırılması