Çay ve Eğrelti Otunun YOLOv5 ve YOLOv8 Algoritmaları ile Karşılaştırmalı Tespiti

Özgür Önder; Yasin Karan

Makale detayları

Çay ve Eğrelti Otunun YOLOv5 ve YOLOv8 Algoritmaları ile Karşılaştırmalı Tespiti

Yazarlar:

Özgür Önder | Yasin Karan

Yayıncı:

Recep Tayyip Erdoğan University

Ana Başlıklar:

Elektronik Algılayıcılar

Dergi:

Recep Tayyip Erdoğan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.5 Issue 1, pp.74-88

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001321806

pISSN:

2687-2315

Anahtar kelimeler:

Özet:

 Çay yaprağı toplanırken içerisine farklı otlar karışabilmektedir. Daha kaliteli, sağlıklı ve lezzetli çay üretimi için bu sorunu önlemek ve yönetmek için güvenilir ve doğru bir teşhis ve tanımlama sistemi gereklidir. Bu sistem hem otonom çay hasadı sistemlerinde hem de çay kurutma fabrikaları girişlerinde kullanılabilecektir. Bu çalışma, çay bahçelerinden toplanan çay yaprakları ve içerisine en çok karışan eğrelti otundan oluşan veri kümesi üzerinde en hızlı nesne algılama modeli olan sadece bir kez bak You Only Look Once, YOLO algoritmasında v5 ve v8 olmak üzere iki farklı versiyonda eğiterek çay yaprağı içerisine karışan eğrelti otu sorununa yapay zeka tabanlı bir çözüm sunmayı amaçlamaktadır. Çay bahçelerinden alınan 747 dijital görüntü toplanarak veri seti oluşturuldu. Daha sonradan veri artırma yöntemleri kullanılarak veriler çoğaltılıp 1395 görüntü haline getirildi. Model eğitimleri arttırılmış son veri setine göre yapıldı. Her bir modelin eğitimi için aynı veri seti kullanıldı. YOLOv5 yaklaşımı için tanımlama sonuçları kesinlik, duyarlılık, mAP değeri ve F1-skoru parametrelerine göre sırasıyla 84,4, 81,0, 84,4 ve 0,83 ve YOLOv8 için tanımlama sonuçları sırasıyla 86,7, 79,9, 86,7 ve 0,83 çıkmıştır. Deneysel sonuçlar, bitki tespiti için YOLOv8 algoritmasının daha yüksek performansı göstererek üstün olduğunu göstermektedir. Bu çalışmanın iş yükünü en aza indirmesi ve çaya karışan otların hızlı bir şekilde tanımlanmasına ve tespit edilmesine yardımcı olarak kalite ve lezzet sorunlarının en aza indirilmesinde yapılacak çalışmalara desteği öngörülebilir.

 Çay yaprağı toplanırken içerisine farklı otlar karışabilmektedir. Daha kaliteli, sağlıklı ve lezzetli çay üretimi için bu sorunu önlemek ve yönetmek için güvenilir ve doğru bir teşhis ve tanımlama sistemi gereklidir. Bu sistem hem otonom çay hasadı sistemlerinde hem de çay kurutma fabrikaları girişlerinde kullanılabilecektir. Bu çalışma, çay bahçelerinden toplanan çay yaprakları ve içerisine en çok karışan eğrelti otundan oluşan veri kümesi üzerinde en hızlı nesne algılama modeli olan sadece bir kez bak You Only Look Once, YOLO algoritmasında v5 ve v8 olmak üzere iki farklı versiyonda eğiterek çay yaprağı içerisine karışan eğrelti otu sorununa yapay zeka tabanlı bir çözüm sunmayı amaçlamaktadır. Çay bahçelerinden alınan 747 dijital görüntü toplanarak veri seti oluşturuldu. Daha sonradan veri artırma yöntemleri kullanılarak veriler çoğaltılıp 1395 görüntü haline getirildi. Model eğitimleri arttırılmış son veri setine göre yapıldı. Her bir modelin eğitimi için aynı veri seti kullanıldı. YOLOv5 yaklaşımı için tanımlama sonuçları kesinlik, duyarlılık, mAP değeri ve F1-skoru parametrelerine göre sırasıyla 84,4, 81,0, 84,4 ve 0,83 ve YOLOv8 için tanımlama sonuçları sırasıyla 86,7, 79,9, 86,7 ve 0,83 çıkmıştır. Deneysel sonuçlar, bitki tespiti için YOLOv8 algoritmasının daha yüksek performansı göstererek üstün olduğunu göstermektedir. Bu çalışmanın iş yükünü en aza indirmesi ve çaya karışan otların hızlı bir şekilde tanımlanmasına ve tespit edilmesine yardımcı olarak kalite ve lezzet sorunlarının en aza indirilmesinde yapılacak çalışmalara desteği öngörülebilir.

 Çay yaprağı toplanırken içerisine farklı otlar karışabilmektedir. Daha kaliteli, sağlıklı ve lezzetli çay üretimi için bu sorunu önlemek ve yönetmek için güvenilir ve doğru bir teşhis ve tanımlama sistemi gereklidir. Bu sistem hem otonom çay hasadı sistemlerinde hem de çay kurutma fabrikaları girişlerinde kullanılabilecektir. Bu çalışma, çay bahçelerinden toplanan çay yaprakları ve içerisine en çok karışan eğrelti otundan oluşan veri kümesi üzerinde en hızlı nesne algılama modeli olan sadece bir kez bak You Only Look Once, YOLO algoritmasında v5 ve v8 olmak üzere iki farklı versiyonda eğiterek çay yaprağı içerisine karışan eğrelti otu sorununa yapay zeka tabanlı bir çözüm sunmayı amaçlamaktadır. Çay bahçelerinden alınan 747 dijital görüntü toplanarak veri seti oluşturuldu. Daha sonradan veri artırma yöntemleri kullanılarak veriler çoğaltılıp 1395 görüntü haline getirildi. Model eğitimleri arttırılmış son veri setine göre yapıldı. Her bir modelin eğitimi için aynı veri seti kullanıldı. YOLOv5 yaklaşımı için tanımlama sonuçları kesinlik, duyarlılık, mAP değeri ve F1-skoru parametrelerine göre sırasıyla 84,4, 81,0, 84,4 ve 0,83 ve YOLOv8 için tanımlama sonuçları sırasıyla 86,7, 79,9, 86,7 ve 0,83 çıkmıştır. Deneysel sonuçlar, bitki tespiti için YOLOv8 algoritmasının daha yüksek performansı göstererek üstün olduğunu göstermektedir. Bu çalışmanın iş yükünü en aza indirmesi ve çaya karışan otların hızlı bir şekilde tanımlanmasına ve tespit edilmesine yardımcı olarak kalite ve lezzet sorunlarının en aza indirilmesinde yapılacak çalışmalara desteği öngörülebilir.

 Çay yaprağı toplanırken içerisine farklı otlar karışabilmektedir. Daha kaliteli, sağlıklı ve lezzetli çay üretimi için bu sorunu önlemek ve yönetmek için güvenilir ve doğru bir teşhis ve tanımlama sistemi gereklidir. Bu sistem hem otonom çay hasadı sistemlerinde hem de çay kurutma fabrikaları girişlerinde kullanılabilecektir. Bu çalışma, çay bahçelerinden toplanan çay yaprakları ve içerisine en çok karışan eğrelti otundan oluşan veri kümesi üzerinde en hızlı nesne algılama modeli olan sadece bir kez bak You Only Look Once, YOLO algoritmasında v5 ve v8 olmak üzere iki farklı versiyonda eğiterek çay yaprağı içerisine karışan eğrelti otu sorununa yapay zeka tabanlı bir çözüm sunmayı amaçlamaktadır. Çay bahçelerinden alınan 747 dijital görüntü toplanarak veri seti oluşturuldu. Daha sonradan veri artırma yöntemleri kullanılarak veriler çoğaltılıp 1395 görüntü haline getirildi. Model eğitimleri arttırılmış son veri setine göre yapıldı. Her bir modelin eğitimi için aynı veri seti kullanıldı. YOLOv5 yaklaşımı için tanımlama sonuçları kesinlik, duyarlılık, mAP değeri ve F1-skoru parametrelerine göre sırasıyla 84,4, 81,0, 84,4 ve 0,83 ve YOLOv8 için tanımlama sonuçları sırasıyla 86,7, 79,9, 86,7 ve 0,83 çıkmıştır. Deneysel sonuçlar, bitki tespiti için YOLOv8 algoritmasının daha yüksek performansı göstererek üstün olduğunu göstermektedir. Bu çalışmanın iş yükünü en aza indirmesi ve çaya karışan otların hızlı bir şekilde tanımlanmasına ve tespit edilmesine yardımcı olarak kalite ve lezzet sorunlarının en aza indirilmesinde yapılacak çalışmalara desteği öngörülebilir.

Makale detayları

Çay ve Eğrelti Otunun YOLOv5 ve YOLOv8 Algoritmaları ile Karşılaştırmalı Tespiti

Yazarlar:

Özgür Önder | Yasin Karan

Yayıncı:

Recep Tayyip Erdoğan University

Ana Başlıklar:

Elektronik Algılayıcılar

Dergi:

Recep Tayyip Erdoğan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.5 Issue 1, pp.74-88

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001321806

pISSN:

2687-2315

Yapay zeka

çay yaprağı

eğrelti otu

nesne tespiti

YOLO

Sayı

Makale detayları

Çay ve Eğrelti Otunun YOLOv5 ve YOLOv8 Algoritmaları ile Karşılaştırmalı Tespiti

Yazarlar: Özgür Önder | Yasin Karan

Yayıncı: Recep Tayyip Erdoğan University

Ana Başlıklar: Elektronik Algılayıcılar

Dergi: Recep Tayyip Erdoğan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.5 Issue 1, pp.74-88

Belge Tipi: Makale

Yayın Tarihi: 6/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001321806

pISSN: 2687-2315

Yapay zeka

çay yaprağı

eğrelti otu

nesne tespiti

YOLO

Sayı

Yazarlar:

Özgür Önder | Yasin Karan

Yayıncı:

Recep Tayyip Erdoğan University

Ana Başlıklar:

Elektronik Algılayıcılar

Dergi:

Recep Tayyip Erdoğan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.5 Issue 1, pp.74-88

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001321806

pISSN:

2687-2315