Akıllı tarım için derin öğrenme ile yabani ot ve mahsul sınıflandırılması

Abstract

Tarım arazilerinde sıkça kullanılan agrokimyasalların biyolojik çeşitlilik, insanlar ve çevre üzerinde birçok çeşitli yan etkisi vardır. Sürdürülebilir tarım bünyesinde agrokimyasalların kullanımının azaltılması amaçlanmaktadır. Tarım arazilerinde kullanılan robotların bu hedef doğrultusunda hassas bir şekilde mahsul ve yabani otu ayırt etmesi önemli bir ihtiyaçtır. Fakat her mahsulün kendine özgü toprak ve hava koşullarında büyümesinden kaynaklanan ekolojik değişiklikler, yabani ot ve mahsullerin yetişme kademelerinde farklı görünümlere sahip olması, mahsul yakınında yetişen yabani otlardan dolayı bitkilerin üst üste gelmesi, yabani ot ve mahsul türlerinden kaynaklanan değişiklikler gibi birçok farklı durum problemi çözülmesi güç hale getirmektedir. Bu tez kapsamında farklı yaklaşımlar ile yabani ot ve mahsul sınıflandırma görevi ele alınmıştır. Yaklaşımlar iki grupta sınıflandırılmıştır. İlk grupta referans alınan gözetimsiz alan uyarlaması yaklaşımları ile olasılık dağılım sapma ölçüleri birlikte kullanılarak tür çeşitliliğinden kaynaklanan zorluk ele alınmıştır. İkinci gruptaki yaklaşımlarda ise morfolojik ağ mimarilerinin yabani ot ve mahsul sınıflandırma görevindeki etkisi incelenmiştir. Bu tez için yapılan deneylerde şeker pancarı, havuç ve soğan mahsullerinin yetiştiği tarım alanlarından toplanmış görüntülerin bulunduğu veri kümeleri kullanılmıştır. Ele alınan yaklaşımlar ile bu ana kadar görülmeyen yabani ot ve mahsul cinslerinin sınıflandırılma işleminin genelleştirilme başarımı ve farklı ağ mimarilerinin yabani ot ve mahsul sınıflandırma görevindeki başarısı karşılaştırılmıştır.

Agrochemicals, which are constantly used in agricultural lands, have many adverse effects on biodiversity, humans and the environment. It is aimed to reduce the use of agrochemicals in sustainable agriculture. In line with this goal, it is an important need for robots used in agricultural lands to distinguish crops and weeds precisely. However, many different situation problems such as ecological changes caused by the growth of each crop in its unique soil and weather conditions, different appearances of weeds and crops at growth stages, overlapping of plants due to weeds growing near the crop, changes due to weeds and crop types render it difficult to solve. In this thesis, the weed and crop classification task is tackled with different approaches classified into two groups. In the first group, the difficulty arising from species diversity was addressed by using unsupervised domain adaptation approaches and probability distribution divergence measures together. In the second group, the effect of morphological network architectures on the weed and crop classification task was investigated. Datasets with images collected from agricultural fields where sugar beet, carrot and onion crops grow were used in the experiments for this thesis. With the approaches discussed, the generalization performance of the classification process of hitherto unseen weeds and crops and the success of different network architectures in the task of crop and weed classification were compared.