Örtü altı domates yetiştiriciliğinde, bazı ekonomik zararlıların yapay zeka ile tespiti

Abstract

Bu tez çalışması, YOLOv8 ve Mask RCNN gibi gelişmiş görüntü işleme modellerinin örtü altı yetiştiriciliği yapılan domates bitkisi üzerindeki bazı ekonomik zararlıların tespitinde ve segmentasyonunda sergilediği üstün performansı araştırmaktadır. Görüntü işleme modellerinin eğitimindeki değerlendirme kriterleri olan Precision, Recall ve mAP incelendiğinde, modellerin zararlı tespitinde büyük bir potansiyele sahip olduğu tespit edilmiştir. Özellikle, YOLOv8 modeli domates üzerindeki zararlıları hızlı ve doğru bir şekilde tespit edebilme kapasitesiyle öne çıkmaktadır, 0,1 saniye gibi kısa bir sürede yaklaşık olarak %90 ve üzerinde bir hassasiyetle zararlı tespiti yapabilmektedir. Üstün performans gösteren, görüntü işlemeye dayalı tespit modellerinin belirlenmesinden sonra, token girdisi kullanan dil modeli GPT-3 ile tespit modeli entegre edilmiştir. Tespit modelinin görüntüler üzerinden algıladığı nesneler token’e dönüştürülerek, API bağlantısı vasıtasıyla GPT-3 modeline girdi olarak prompt içine yerleştirilmiştir. GPT-3’ün YOLOv8 ile entegrasyonu, zararlıların biyolojisi, zarar şekilleri ve mücadele yöntemleri hakkında kapsamlı analizler yapılmasına olanak tanımıştır. GPT-3, 3,5 saniye içerisinde tespit edilen zararlı hakkında benzersiz, orijinal ve yaratıcı çıktılar üretmiştir. GPT-3, zararlıların biyolojisi ve nasıl zarar verdikleri hakkında detaylı bilgi verirken, zararlıları kontrol altına almak için kullanılan biyolojik mücadele gibi alternatif yöntemlere dair bilgilerin daha sınırlı olduğu görülmüştür. Biyolojik mücadele gibi daha spesifik konularda dil modellerinin güçlü ve kapsamlı bilgiler üretebilmesi için, model eğitiminde spesifik, hedef odaklı ve güvenilir kaynakların kullanılması gerektiği öngörülmektedir. Bu çalışma, tarımsal zararlı tespiti ve yönetimi konusunda yapay zekâ ve derin öğrenme teknolojilerinin büyük potansiyel taşıdığını göstermekte ve gelecekteki araştırmalara yönelik olarak çok disiplinli yaklaşımların benimsenmesi, gerçek dünya uygulamalarına odaklanılması ve açık kaynak kodlu araçların geliştirilmesi gibi önemli öneriler sunmaktadır.

This thesis investigates the superior performance of advanced image processing models such as YOLOv8 and Mask RCNN in detecting and segmenting certain economic pests on greenhouse-grown tomato plants. When examining evaluation criteria for training image processing models, such as Precision, Recall, and mAP, it has been determined that these models possess great potential in pest detection. Notably, the YOLOv8 model stands out for its capacity to identify pests on tomatoes quickly and accurately, achieving pest detection with approximately 90% precision in as short a time as 0,1 seconds. Following the identification of image processing detection models that exhibit superior performance, the token-input-based language model GPT-3 has been integrated with the detection model. Objects detected in images by the detection model are converted into tokens and embedded into a prompt as input to the GPT-3 model via API connection. The integration of the GPT-3 language model with the YOLOv8 detection model has enabled comprehensive analyses regarding the biology of pests, their damage types, and control methods. Within 3,5 seconds, GPT-3 has generated unique, original, and creative outputs about the detected pests. While GPT-3 provides detailed information about the biology of pests and how they cause damage, it has been observed that information about alternative control methods, such as biological control, is more limited. For language models to generate strong and comprehensive information on more specific topics like biological control, it is anticipated that specific, target-oriented, and reliable sources need to be used in model training. This study demonstrates the significant potential of artificial intelligence and deep learning technologies in agricultural pest detection and management, offering important recommendations for future research, such as adopting interdisciplinary approaches, focusing on real-world applications, and developing open-source tools.