Buğday Üretiminde Yabancı Ot Yoğunluğunun Görüntü İşleme Teknikleri Kullanılarak Belirlenmesi

Abstract

Kimyasal mücadelede kullanılan tarımsal ilaçların insan sağlığı, çevre ve doğal dengeyi olumsuz yönde etkilemeleri ve artan üretim maliyetleri nedeniyle hassas, dikkatli, en az ilaç kaybına neden olacak şekilde ve gerektiği kadar uygulanması oldukça önem arz etmektedir. Tarımda yabancı ot dağılımı gibi belirsiz, doğrusal olmayan ve karmaşık yapılara sıklıkla rastlanmaktadır. Bu olumsuzlukları giderebilmek amacıyla bilgisayar destekli sistemlere ihtiyaç duyulmaktadır. Yabancı ot tespitinin de aralarında bulunduğu benzer durumların çözümlenmesinde kullanılan klasik yazılımlar yetersiz kalırken, Yapay Sinir Ağları (YSA) gibi akıllı sistemler giderek ön plana çıkmaktadırlar. Çalışmada, buğday ekili arazilerde geniş yapraklı yabancı ot yoğunluğunun tespit edilmesi ve herbisit kullanımının azaltılmasına katkıda bulunulması amaçlanmıştır. Bu amaçla araştırmada Görüntü İşleme Teknikleri kullanılmış ve yabancı ot tespitine yönelik olarak YSA ve regresyon modelleri geliştirilmiştir. YSA modelinde, Görüntü İşleme Teknikleri ile elde edilen yabancı ot alanları (GİTYOA) giriş ve yabancı otlara ait gerçek alanlar (GYOA) çıkış parametresi olarak değerlendirilmiştir. Çalışmada eğitim için 244 ve test için 18 veri olmak üzere toplam 262 veri kullanılmıştır. YSA modelinde, Levenberg-Marquardt eğitim algoritması tercih edilmiştir. Ağın yapısı 1-(9-5)-1 olacak şekilde, 1 giriş katmanı, 2 gizli katman ve 1 çıkış katmanı olarak dizayn edilmiş ve gizli katmanların nöron sayıları 9-5 olarak belirlenmiştir. Ayrıca birinci gizli katmanda tansig, ikinci gizli katmanda logsig, çıkış katmanında ise purelin transfer fonksiyonları kullanılmıştır. YSA ve Regresyon modelleri değerlendirildiğinde, YSA modelinin R2 değeri %99, uyuşma derecesi (U2) 0.000436, Regresyon modelinin ise R2 değeri %95,uyuşma derecesi(U2) 0.008431 olarak bulunmuştur.It is of great importance to apply plant protection chemicals at the minimum required rates because of their negative impacts on human health, environment and the balance in nature and of increasing production costs due to excessive chemical application. In agriculture, there are undetermined, complex and nonlinear structures such as weed distribution. In order to eliminate this negativeness, there is a need for computer supported systems being able to sense the weed distribution in wheat grown fields. As conventional software products used in these systems are insufficient, intelligent systems such as Artificial Neural Networks are increasingly gaining importance. In this study, it is aimed at determining the broad-leaved weed intensity in wheat grown fields and contributing to reduce herbicide use. Artificial Neural Network and regression models were developed for this purpose, using Image Processing Techniques. In the Artificial Neural Network model, weed areas obtained by Image Processing Techniques were considered as input parameter; and real areas belonging to weeds as output parameter. In the study, a total of 262 data were used, of which 244 data were for training and 18 for test. In the Artificial Neural Network model, the Levenberg-Marquardt training algorithm was preferred. The structure of the network in the Artificial Neural Network model was designed so as to be 1-(9-5)-1 and to have 1 input layer, 2 hidden layers and 1 output layer; and the number of neurons of the hidden layers were determined to be 9-5. In the structure of the network developed, the following transfer functions were used: tansig at the first hidden layer, logsig at the second hidden layer, and purelin at the output layer. The R2value of %99 and goodness of fit of (U2) 0.000436 were found for the Artificial Neural Network model; the R2value of %95 and goodness of fit of (U2) 0.008431 were found for the Regression model.