Harnessing deep learning for multi-class weed species identification in agriculture

Ebru Ergün

Makale detayları

Harnessing deep learning for multi-class weed species identification in agriculture

Yazarlar:

Ebru Ergün

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Görüntü İşleme | Derin Öğrenme

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 1, pp.251-262

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001339030

pISSN:

2564-6605

Anahtar kelimeler:

Özet:

 Effective identification of weed species is critical for efficient agricultural management, enabling targeted eradication and optimized farming practices. In this study, ResNet, VggNet and DenseNet were used to evaluate the performance of deep learning models in accurately classifying different weed species. The dataset consisted of high-resolution images of different weed species taken under different environmental conditions. The experimental results demonstrated the ability of these models to identify multiple weed species with high accuracy. Evaluation metrics, accuracy, precision, recall and confusion matrices, validated the effectiveness of the models in discriminating between species. Of the convolutional neural network architectures tested, VggNet showed the highest classification accuracy of 99.21. The results underscored the potential of deep learning-based classification systems in advancing scalable and efficient weed species identification and management for agricultural applications.

 Effective identification of weed species is critical for efficient agricultural management, enabling targeted eradication and optimized farming practices. In this study, ResNet, VggNet and DenseNet were used to evaluate the performance of deep learning models in accurately classifying different weed species. The dataset consisted of high-resolution images of different weed species taken under different environmental conditions. The experimental results demonstrated the ability of these models to identify multiple weed species with high accuracy. Evaluation metrics, accuracy, precision, recall and confusion matrices, validated the effectiveness of the models in discriminating between species. Of the convolutional neural network architectures tested, VggNet showed the highest classification accuracy of 99.21. The results underscored the potential of deep learning-based classification systems in advancing scalable and efficient weed species identification and management for agricultural applications.

 Effective identification of weed species is critical for efficient agricultural management, enabling targeted eradication and optimized farming practices. In this study, ResNet, VggNet and DenseNet were used to evaluate the performance of deep learning models in accurately classifying different weed species. The dataset consisted of high-resolution images of different weed species taken under different environmental conditions. The experimental results demonstrated the ability of these models to identify multiple weed species with high accuracy. Evaluation metrics, accuracy, precision, recall and confusion matrices, validated the effectiveness of the models in discriminating between species. Of the convolutional neural network architectures tested, VggNet showed the highest classification accuracy of 99.21. The results underscored the potential of deep learning-based classification systems in advancing scalable and efficient weed species identification and management for agricultural applications.

 Yabancı ot türlerinin etkili bir şekilde tespiti, verimli tarımsal yönetim için kritik öneme sahiptir ve hedefe yönelik yok etme ve optimize edilmiş tarım uygulamalarını mümkün kılar. Bu çalışmada, ResNet, VggNet ve DenseNet derin öğrenme modellerinin farklı yabancı ot türlerini doğru bir şekilde sınıflandırmadaki performanslarını değerlendirmek için kullanılmıştır. Veri seti, farklı çevresel koşullarda çekilmiş çeşitli yabancı ot türlerine ait yüksek çözünürlüklü görüntülerden oluşmaktadır. Deneysel sonuçlar, bu modellerin birden fazla yabancı ot türünü yüksek doğrulukla tespit etme yeteneğini göstermiştir. Değerlendirme metrikleri, doğruluk, hassasiyet, hatırlama ve hata matrisi, modellerin türler arasındaki ayrımı yapmadaki etkinliğini doğrulamıştır. Test edilen evrişimli sinir ağı mimarileri arasında, VggNet 99.21lik en yüksek sınıflandırma doğruluğunu sergilemiştir. Sonuçlar, derin öğrenmeye dayalı sınıflandırma sistemlerinin, tarımsal uygulamalar için ölçeklenebilir ve verimli yabancı ot türü tespiti ve yönetimi konusunda büyük bir potansiyele sahip olduğunu vurgulamıştır.

Makale detayları

Harnessing deep learning for multi-class weed species identification in agriculture

Yazarlar:

Ebru Ergün

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Görüntü İşleme | Derin Öğrenme

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 1, pp.251-262

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001339030

pISSN:

2564-6605

Agricultural management

Classification

Deep learning

Multi-class

Precision agriculture

Weed species identificationTarımsal yönetim

Sınıflandırma

Derin öğrenme

Çoklu sınıf

Hassas tarım

Yabancı ot türlerinin tanımlanması

Sayı

Makale detayları

Yazarlar: Ebru Ergün

Yayıncı: Nigde Omer Halisdemir University

Ana Başlıklar: Görüntü İşleme | Derin Öğrenme

Dergi: Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 1, pp.251-262

Belge Tipi: Makale

Yayın Tarihi: 1/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001339030

pISSN: 2564-6605

Sayı

Yazarlar:

Ebru Ergün

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Görüntü İşleme | Derin Öğrenme

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 1, pp.251-262

Belge Tipi:

Makale

Yayın Tarihi:

1/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001339030

pISSN:

2564-6605