Nesne Tespiti (Object Detection)

Nesne tespiti, sınıflandırma ve konumlandırmayı birleştirerek bir görüntüde hangi nesnelerin bulunduğunu ve sınırlayıcı kutular (bounding boxes) aracılığıyla nerede konumlandıklarını belirler. Tarımda bu yetenek; çeşitli görüntüleme platformları üzerinden ürünlerin, yabancı otların, zararlıların, meyvelerin ve çiftlik hayvanlarının otomatik sayımı, mekânsal haritalanması ve gerçek zamanlı tanımlanmasını mümkün kılar.

Temel Mimariler

İki Aşamalı Dedektörler (Two-Stage Detectors)

Faster R-CNN, önce bir Bölge Öneri Ağı (Region Proposal Network - RPN) aracılığıyla bölge önerileri (aday sınırlayıcı kutular) üretir, ardından her öneriyi sınıflandırır ve iyileştirir. Yüksek doğruluk elde eder ancak hesaplama açısından pahalıdır; bu nedenle gerçek zamanlı tarla dağıtımından ziyade yüksek çözünürlüklü tarımsal görüntülerin çevrimdışı analizi için daha uygundur.

Cascade R-CNN, Faster R-CNN'i çok aşamalı iyileştirme ile genişleterek sınırlayıcı kutu kalitesini kademeli olarak artırır. Bu, hassas konumlandırmanın önemli olduğu küçük tarımsal nesnelerin (bireysel böcekler, küçük meyveler) tespiti için yararlıdır.

Tek Aşamalı Dedektörler (Single-Stage Detectors)

YOLO (You Only Look Once) ailesi (YOLOv5, YOLOv7, YOLOv8, YOLOv9, YOLOv10) görüntüyü bir ızgaraya böler ve tek bir ileri geçişte sınırlayıcı kutuları ve sınıf olasılıklarını tahmin eder. YOLO modelleri hızları sayesinde gerçek zamanlı tarımsal uygulamalarda baskındır. Özellikle YOLOv8, doğruluk, hız ve kullanım kolaylığı dengesi sayesinde birçok tarımsal tespit görevi için varsayılan tercih haline gelmiştir.

SSD (Single Shot MultiBox Detector), omurga ağının farklı katmanlarından gelen özellik haritalarını kullanarak birden fazla ölçekte nesne tespit eder. YOLO'nun hızı ile Faster R-CNN'in doğruluğu arasında bir orta yol sunar.

RetinaNet, tespitteki ciddi sınıf dengesizliğini (aday kutuların çoğu arka plandır) gidermek için odak kaybını (focal loss) tanıtır. Bu, ilgi nesnelerinin (örn. bireysel zararlılar) görüntünün çok küçük bir bölümünü kapladığı tarımsal uygulamalar için özellikle geçerlidir.

Tarımsal Uygulamalar

Meyve Sayımı ve Verim Tahmini: Ağaçlardaki veya bitkilerdeki bireysel meyvelerin (elma, portakal, mango, domates) yerden veya İHA görüntülerinden tespit edilmesi ve sayılması. Doğru meyve sayıları, verim tahmin modelleri ve hasat planlamasına girdi sağlar.

Yabancı Ot Konumlandırma: Ürün sıraları içindeki bireysel yabancı ot bitkilerinin tespiti, hassas püskürtme sistemleri aracılığıyla alana özgü herbisit uygulamasını mümkün kılar. Bu, yayılım şeklinde püskürtmeye kıyasla kimyasal kullanımını %70-90 azaltır.

Zararlı Tespiti: Yapışkan tuzaklarda, yapraklarda veya doğrudan bitki örtüsünde böceklerin tanımlanması ve sayılması. Belirli zararlı türlerinin tespiti, takvime dayalı püskürtme yerine hedefe yönelik müdahaleyi tetikler.

Çiftlik Hayvanı İzleme: Meralarda veya ahırlarda havadan kameralar veya dronlarla bireysel hayvanların tespit edilmesi ve takibi. Uygulamalar arasında baş sayımı doğrulama, davranış analizi ve topallık tespiti yer alır.

Bitki Sayımı ve Çıkış Değerlendirmesi: Sıra ürünlerindeki bireysel fidelerin tespit edilerek bitki yoğunluğunun değerlendirilmesi, boşlukların belirlenmesi ve yeniden dikim ihtiyaçlarının tahmin edilmesi.

İHA Tabanlı Tespit Hatları

İnsansız Hava Araçları (İHA/dronlar), tarımsal nesne tespiti için birincil görüntüleme platformlarıdır. Tipik bir işlem hattı şunları içerir:

1. Görüntü edinimi: İHA'yı tarla üzerinde 1-5 cm/piksel çözünürlükte örtüşen görüntüler çekerek uçurma.
2. Ortomozaik oluşturma: Bireysel karelerin coğrafi referanslı bir mozaiğe birleştirilmesi.
3. Parça tabanlı çıkarım: Büyük mozaiğin örtüşen parçalara bölünmesi ve her parça üzerinde dedektörün çalıştırılması.
4. Maksimum olmayan bastırma (NMS): Örtüşen parçalardan gelen tespitlerin birleştirilmesi ve yinelenen kutuların kaldırılması.
5. Coğrafi referanslı çıktı: Tespitlerin hassas tarım uygulamaları için coğrafi koordinatlara eşlenmesi.

Uç Cihaz Dağıtım Zorlukları (Edge Deployment)

Edge Computing cihazlarında (drone yerleşik bilgisayarları, traktöre monte sistemler, akıllı telefonlar) gerçek zamanlı tespit, katı gecikme ve güç kısıtlamaları dayatır. YOLOv8-nano veya MobileNet-SSD gibi hafif modeller, model optimizasyon teknikleri (kuantalama, budama, TensorRT hızlandırma) ile birleştirilerek NVIDIA Jetson gibi gömülü GPU'larda kabul edilebilir kare hızlarına (10-30 FPS) ulaşılır. Tespit doğruluğu ile çıkarım hızı arasındaki denge, tarımsal uç dağıtımlarında merkezi bir mühendislik kararıdır.

Değerlendirme Metrikleri

Tarımsal nesne tespiti tipik olarak çeşitli IoU (Kesişim Birleşim Oranı / Intersection over Union) eşiklerinde ortalama Hassasiyet Ortalaması (mAP - mean Average Precision) kullanılarak değerlendirilir. mAP@0.5 standarttır, ancak mAP@0.5:0.95 daha kapsamlı bir değerlendirme sağlar. Sayım görevleri için tahmin edilen ve gerçek sayılar arasındaki korelasyon ile Ortalama Mutlak Hata (MAE - Mean Absolute Error) da raporlanır.

Ingest Edilen Makalelerden Bulgular

[Gao & Zhang, 2023] — YOLOv8 tabanlı tek aşamalı dedektörlerle meyve tespiti. Tarımsal meyve tespiti için YOLOv8 mimarisinin kapsamlı değerlendirmesi yapılmıştır. Özel bir meyve veri seti (Roboflow kaynağından) oluşturularak çeşitli meyve türleri boyut, şekil, renk ve çevresel koşullar açısından temsil edilmiştir. YOLOv8, mevcut kıyaslama sonuçlarını aşarak meyve tespitinde yüksek doğruluk elde etmiştir. Çalışma, tek aşamalı dedektörlerin tarımsal meyve tespitinde iki aşamalı dedektörlere (Faster R-CNN) kıyasla hem hız hem de yeterli doğruluk avantajı sağladığını göstermiştir. Uygulama alanları: hasadın optimize edilmesi, israfın azaltılması ve hassas tarım teknolojilerinin geliştirilmesi.

[Kamat et al., 2025] — Çok sınıflı meyve olgunluk tespiti için YOLO ve SSD nesne tespit modellerinin karşılaştırmalı değerlendirmesi. Çilek ve avokado görüntüleri dört olgunluk aşamasında (ham, kısmen olgun, olgun, çürük) etiketlenerek doğal koşullarda test edilmiştir. Dört model karşılaştırılmıştır:

YOLOv6, hem en yüksek mAP (%99,5) hem de güçlü gerçek zamanlı çıkarım hızı (85,2 FPS) ile doğruluk-hız dengesinde en iyi performansı göstermiştir. 5 katlı çapraz doğrulama ile model sağlamlığı teyit edilmiştir. Sonuçlar, akıllı meyve sınıflandırma ve kalite izleme sistemleri için YOLOv6'nın güvenilir bir seçenek olduğunu ortaya koymuştur.