Yabancı Ot Tespiti (Weed Detection)

object-detectionsemantic-segmentationyoloprecision-herbicideuavrobotics

Makine öğrenmesi aracılığıyla hassas yabancı ot yönetimi, toptan herbisit uygulamasının yerini hedefli, alana özgü müdahalelerle almayı amaçlamaktadır. Yabancı otlar, ışık, su ve besin maddeleri için bitkilerle rekabet ederek küresel çapta tahminen %10-40 oranında verim kaybına neden olur. Geleneksel kontrol, tüm tarlalara homojen herbisit püskürtülmesine dayanır; bu yöntem çevresel açıdan maliyetlidir, herbisit direncini teşvik eder ve tarımsal girdi giderlerinin önemli bir bölümünü oluşturur.

Problem Formülasyonu

Tarımsal makine öğrenmesinde yabancı ot tespiti, uygulamaya bağlı olarak çeşitli biçimler alır:

Görüntü sınıflandırma: Bu yama ürün mü yoksa yabancı ot mu? En basit formülasyon; kaba uzamsal kararlar için kullanışlıdır.
Nesne tespiti (Object detection): Bir görüntü içinde bireysel yabancı ot bitkileri nerededir? Sınırlayıcı kutu tahminleri sayma ve konumlandırma sağlar. Standart mimariler arasında YOLO (v5'ten v8'e), Faster R-CNN, SSD ve DETR bulunur.
Anlamsal bölütleme (Semantic segmentation): Piksel düzeyinde ürün, yabancı ot ve toprak sınıflandırması. Yöntemler arasında U-Net, DeepLab, SegNet ve daha yakın zamanda Segment Anything Model (SAM) varyantları yer alır. Bu formülasyon, hedefli püskürtme için en hassas uzamsal bilgiyi sağlar.
Örnek bölütleme (Instance segmentation): Piksel düzeyinde bireysel yabancı ot bitkilerinin ayırt edilmesi; bitki başına tedavi kararlarına olanak tanır.

Uygulamada Tespit Mimarileri

YOLO ailesi modelleri, hız-doğruluk dengesi sayesinde gerçek zamanlı yabancı ot tespitinde baskındır. YOLOv5 ve YOLOv8 yaygın olarak dağıtılmakta olup, uç GPU'larda (NVIDIA Jetson serisi) kare başına 15-30 ms çıkarım süreleri elde etmektedir; bu, tarla hızlarında hareket eden platformlarda gerçek zamanlı çalışma için yeterlidir.

Faster R-CNN, daha yavaş çıkarım pahasına daha yüksek doğruluk sunar ve gerçek zamanlı kısıtlamaların gevşek olduğu İHA görüntülerinin çevrimdışı analizi için uygundur.

U-Net ve DeepLabV3+, robotik ot temizleme veya mikro doz püskürtme için hassas yabancı ot sınır belirlemenin gerekli olduğu anlamsal bölütleme görevlerinde tercih edilir.

Platform Türleri

İHA Tabanlı (Hava) Sistemler

RGB veya multispektral kameralarla donatılmış dronlar tarla ölçeğinde yabancı ot haritaları yakalar. 10-30 metre uçuş yükseklikleri, piksel başına 0.5-3 cm yer örnekleme mesafesi (GSD) sağlar. İHA tabanlı tespit şu amaçlarla kullanılır: - Alana özgü yabancı ot reçete haritaları oluşturma - Geniş tarlalarda yabancı ot baskısını izleme - Yabancı ot yamalarını yayılmadan önce tespit etme

Sınırlamalar arasında kısıtlı uçuş süresi (20-40 dakika), hava koşullarına duyarlılık ve düzenleyici kısıtlamalar yer alır.

Yer Tabanlı Sistemler

Traktörlere, ilaçlama makinelerine veya otonom robotlara monte edilen kamera sistemleri, yakın mesafeden (0.5-2 metre) görüntü yakalar. Bu sistemler gerçek zamanlı tespit ve ilaçlama iş akışları sağlar: 1. Kamera tarla hızında (5-12 km/sa) görüntü yakalar 2. Makine öğrenmesi modeli pikselleri sınıflandırır veya yabancı ot konumlarını tespit eder (<50 ms gecikme) 3. Solenoid kontrollü nozüller seçici olarak etkinleşerek yalnızca tespit edilen yabancı otları ilaçlar

Blue River Technology (See & Spray), Ecorobotix ve Bilberry gibi şirketlerin ticari sistemleri bu ilke üzerinde çalışmaktadır.

Robotik Ot Temizleme

Otonom yabancı ot temizleme robotları, yabancı ot tespitini mekanik veya lazer tabanlı uzaklaştırma ile birleştirerek herbisit kullanımını büyük ölçüde azaltabilir. Bu sistemler şunları gerektirir: - Santimetre altı konumlandırma doğruluğu - Yüksek kare hızlarında gerçek zamanlı çıkarım - Hassas aktüatörlerle (mekanik çapalar, lazer vericiler, mikro püskürtücüler) entegrasyon

Kimyasal Kullanım Azaltma Potansiyeli

Alana özgü yabancı ot yönetimi, yabancı ot yoğunluğu ve dağılımına bağlı olarak, toptan uygulamaya kıyasla %60-90 oranında herbisit azaltımı sağlar. Yamalı yabancı ot istilası olan tarlalarda (en yaygın örüntü budur) tasarruflar en yüksek düzeydedir. Yoğun istila altındaki tarlalarda bile hedefli uygulama, çıplak toprağa ilaçlama yapılmasını önleyerek kimyasal kullanımı azaltır.

Teknik Zorluklar

Ürün-yabancı ot benzerliği: Genç yabancı otlar ve bitki fideleri, özellikle erken büyüme aşamalarında görsel olarak benzerdir. Sıra arası ile sıra içi ayrımı karmaşıklığı artırır.
Tür düzeyinde tanımlama: Birçok sistem yabancı ot türünü tanımlamadan yalnızca "ürün" ve "yabancı ot" olarak sınıflandırır; bu durum türe uygun herbisit seçimini kısıtlar.
Değişken koşullar: Aydınlatma değişimleri, gölgeler, toprak renk varyasyonu, bitki artığı örtüsü ve yapraklardaki nem tespit doğruluğunu etkiler.
Büyüme aşaması değişkenliği: Aynı yabancı ot türü çim yaprağı, vejetatif ve çiçeklenme aşamalarında çarpıcı biçimde farklı görünür.
Örtüşen kanopi: Yoğun bitki kanopisi mevsimin ilerleyen dönemlerinde yabancı otları gizler.
Gerçek zamanlı işleme kısıtlamaları: Tarla hızlarında çalışan yer tabanlı sistemler, minimum gecikmeyle saniyede 10-30 kare işlemelidir.

Bağlantılar

Yabancı ot tespiti, hava veri toplama için uzaktan algılama, ortak bilgisayarlı görü metodolojisi üzerinden hastalık tespiti ve entegre bitki koruma kapsamında zararlı yönetimi ile bağlantılıdır. Hassas yabancı ot yönetimi ile elde edilen herbisit azaltımı, doğrudan iklim akıllı tarım hedeflerini destekler.

Ingest Edilen Makalelerden Bulgular

[Olsen et al., 2019] — DeepWeeds: Avustralya mera alanlarindan toplanan ilk büyük ölçekli, cok sınıfli yabanci ot turu görüntü veri seti. 17.509 etiketli görüntü, 8 ulusal oneme sahip yabanci ot turu (Chinee apple, Lantana, Parkinsonia, Parthenium, Prickly acacia, Rubber vine, Siam weed, Snake weed) ve bir negatif sınıf icermektedir. Görüntülar Kuzey Avustralya'daki 8 farkli cografi lokasyondan toplanmistir. Inception-v3 ve ResNet-50 modelleri transfer öğrenme ile karsilastirildi: ResNet-50 ortalama %95,7, Inception-v3 ortalama %95,1 top-1 sınıflandırma doğruluğu elde etti (5 katli çapraz doğrulama). Tur bazinda en yüksek doğruluklar: Parkinsonia %97,2, negatifler %97,6 (ResNet-50). En düşük doğruluklar: Chinee apple %88,5 ve Snake weed %88,8 -- bu iki tur arasındaki %3-4'luk karisiklik orani, benzer yaprak gorunumlerinden kaynaklandi. Ortalama yanlis pozitif orani yalnizca %2 civarinda; bu, tarla uygulamasinda hedef disi hasarin düşük olacagini göstermektedir. NVIDIA Jetson TX2 üzerinde gerçek zamanli performans: TensorRT optimizasyonu ile görüntü basina 53,4 ms çıkarım suresi ve 18,7 FPS; bu, 10 FPS hedefinin neredeyse iki kati olup robotik yabanci ot kontrolu için uygun oldugu dogrulandi. Veri seti acik erisimli olarak yayinlandi ve gelecekte robotik yabanci ot kontrolu için referans karşılaştırma ölçütu olarak kullanilmak uzere tasarlandi. (474 atif)