Görüntü Ön İşleme (Image Preprocessing)

Tarımsal görüntü on işleme, ham tarla goruntelerini tutarli ve modele hazir girdilere dönüştürür. Duzenlenmis karşılaştırma veri setlerinin aksine, tarımsal görüntülar son derece değişken kosullar altinda cekilir: degisen gunes isigi, ruzgar kaynakli hareket bulanikligi, islak yaprak yuzeyler, lensler üzerinde toz ve tutarsiz kamera acilari. Saglam bir on işleme boru hatti, genellikle sonraki model performansinin en büyük tek belirleyicisidir.

Renk Normalizasyonu

Goruntler arasındaki renk tutarsizligi en yaygin sorundir. Ogle gunes isiginda doğrudanisik gunes altinda cekilen bir yaprak, ayni yapragin bulutlu gokyuzu altinda veya kanopi golgesindeki gorunumunden temelden farklidir. Normalizasyon stratejileri sunlardir:

• Beyaz denge duzeltmesi: Sahneye yerlestirilen bir referans beyaz veya gri kart kullanilarak kanal kazanclarinin ayarlanmasi. Telefon kameralarinin renk sıcaklığıni tahmin edilemez şekilde otomatik ayarladigi Mobile Crop Advisory uygulamalari için özellikle yararlidir.
• Histogram esitleme: Kanal basina uygulanan CLAHE (Kontrast Sinirli Uyarlamali Histogram Esitleme - Contrast Limited Adaptive Histogram Equalization), gurultu aşırı yukseltilmesini onlerken yerel kontrasti iyilestirir. Yaprak yuzeylerindeki ince hastalık belirtilerini ortaya cikarmak için etkilidir.
• Boya normalizasyonu: Histopatolojiden alinan Macenko veya Reinhard normalizasyonu gibi yöntemler, görüntülerdeki renk dagilimlari bir referans görüntüleye gore standartlastirir. Görüntülerin farkli kameralardan veya aydinlatma kosullarindan gelmesi durumunda faydalidir.
• Renk uzayi dönüşümu: LAB veya HSV uzayinda çalışmak, parlakligi renk bilgisinden ayirarak veri arttirma ve normalizasyonun parlaklkitan bagimsiz olarak rengi hedeflemesine olanak tanir.

Arka Plan Cikarma ve Ilgi Bölgesi Çıkarımi

Tarımsal görüntülerde genellikle hedef nesneden daha fazla arka plan (toprak, gokyuzu, diger bitkiler, ekipman) bulunur. Arka plan cikarma, ilgi bölgesini izole eder:

• Bitki indeksleri üzerinden esikleme: Aşırı Yesil (ExG = 2G - R - B) veya Yesil-Kirmizi Bitki Indeksi, basit bir esik değeriyle yesil bitki dokusunu yesil olmayan arka plandan ayirir. Kontrollüu ortamlar için hizli ve etkilidir.
• GrabCut ve anlamsal onceller: Karmasik on plan sekillerini cikarmak için renk modellerini graf kesmeleriyle birlestiren yari otomatik yöntemler. Ürünleri Yolo Family veya Unet Architecture modellerine beslemeden once on işleme adimi olarak faydalidir.
• Ogrenilmis segmentasyon: Küçük bir etiketlenmis görüntü setinde eğitilmiş hafif bir U-Net veya MobileNet, hastalık sınıflandırmasi oncesinde bitkiyi arka plandan ayirarak daha büyük bir boru hattinin arka plan cikarma adimi olarak hizmet edebilir.

Tarla Kosullarinin Ele Alinmasi

Degisen isik, renk normalizasyonu ve eğitim sirasinda veri arttirma kombinasyonuyla ele alinir. Rastgele parlaklik, kontrast ve gama ayarlamalari, modelin karsilasacagi kosul araligini simule eder. Mevcut oldugunda gun icindeki saat meta verisi ek bir model girdisi olarak kullanilabilir.

Golgeler (kanopi, yapilar veya kamera operatorunden kaynakli), hem insan etiketleyicileri hem de modelleri sasirtan yerel karartma oluşturur. Kromatisiteye dayali golge algılama algoritmalari (golgeler renk sıcaklığıni kaydirir) etkilenen bölgeleri işaret edebilir veya duzeltebilir.

Yapraklardaki nem (ciy, yağmur veya sulamadan kaynaklanan), hastalık belirtilerini takit eden veya gerçek lezyonlari gizleyen spekuler parlama yaratir. Cekim sirasinda polarizan filtreler bu etkiyi azaltir; işleme sirasinda parlama algılama ve görüntü icini doldurma (inpainting) sorunu hafifletebilir.

Cok Spektral Görüntü Hizalama

Uav Agriculture platformlarindaki cok spektral kameralar, farkli optik yollardan ayri bantlar (Kirmizi, Yesil, Mavi, Kirmizi Kenar, Yakin Kızılötesi) yakalar. Bu bantlarin, bitki indeksleri hesaplanmadan veya modellere beslenmeden once uzamsal olarak hizalanmasi (es-kaydedilmesi) gerekir. Hizalama su adimlari içerir:

• Geometrik kalibrasyon: Kameranin fabrika kalibrasyon parametrelerinin kullanilmasi.
• Özellik tabanli kayit: Bantlar arasında SIFT veya ORB anahtar noktalarinin eslestirilmesi.
• Radyometrik kalibrasyon: Ucuslar arasi ve sensorler arasi karşılaştırmayi mumkun kilmak için ham dijital sayilarin yer yansima panelleri kullanilarak yuzey yansima değerlerine donusturulmesi.

Spektroskopi İçin Kalibrasyon

Toprak ve tahil kalite analizinde kullanilan hiperspektral ve yakin kızılötesi spektroskopik veriler belirli on işlemler gerektirir: baz cizgisi duzeltme (SNV, MSC), yumulatma (Savitzky-Golay), turev dönüşümleri ve dalga boyu secimi. Bu adimlar sacilma etkilerini ve cihaz kaymasini gidererek Random Forest veya Gradient Boosting modellerinin tahmin için kullandigi kimyasal sinyali izole eder.

Ingest Edilen Makalelerden Bulgular

Tarımda Hiperspektral Büyük Veri ve Makine Öğrenmesi

[Ang & Seng, 2021] — Tarımda hiperspektral ve multispektral veri işleme alanindaki kapsamli derleme çalışmasinda, on işleme adimlarinin model başarısindaki belirleyici rolu vurgulanmistir. Hiperspektral görüntüleme yuzlerce spektral bant (tipik olarak 300-2500 nm araliginda) yakalayarak büyük hacimli 3 boyutlu veri kupleri oluşturur; bu durum Büyük Veri zorluklarina yol acar. On işleme asamasinda temel bilesien analizi (PCA) ile boyut indirgeme, sinyal-gurultu oranini iyilestirerek sınıflandırma doğruluğunu artirmistir; örneğin yabani ot yonetiminde spektral ve uzamsal özelliklerin birlesmesiyle %98 sınıflandırma doğruluğu elde edilmistir. Pirinc tohum çeşit belirleme çalışmasinda 288 spektral banttan (948-2512 nm) SVM modeli ile %93 sınıflandırma doğruluğu raporlanmis; bu başarı uygun spektral on işleme (baz cizgisi duzeltme, normalizasyon) sayesinde mumkun olmustur. Muz hastalığı tespitinde 364-1031 nm araligindaki hiperspektral görüntülere morfolojik on işleme teknikleri uygulanarak uzamsal ve spektral özellikler cikarilmistir. RF ve SVM siniflandiricilarinin Sentinel-2 zaman serisi verileri ile karsilastirilmasinda, matematiksel morfoloji tabanli uzamsal on işlemenin eklenmesinin sınıflandırma doğruluğunu önemli ölçüde artirdigi tespit edilmistir. Calismada ayrica paralel hesaplama cercevelerinin (Spark + HDFS) büyük hacimli hiperspektral tarımsal veri işlemede gerekliligi vurgulanmistir.