Zararlı kontrolü için nesne algılama

Her yıl dünyadaki mahsullerin yaklaşık %40'ı zararlılar ve hastalıklar nedeniyle kaybediliyor. Bu durum, dünya genelindeki çiftçilerin karşılaştığı ciddi zorlukları gözler önüne seriyor. Elle arazi taraması ve yapışkan tuzaklar gibi geleneksel zararlı tespit yöntemleri, istilaları çoğu zaman yeterince erken fark edemiyor; bu da daha fazla zarara, gıda arzının tehlikeye girmesine ve hem çevreye hem de insan sağlığına zarar verebilecek pestisit kullanımının artmasına yol açıyor. Yapay zekâ destekli zararlı yönetimi, erken tespit ve daha hedefli uygulamalar sunarak umut verici bir çözüm sağlıyor.

Bu zorlukların üstesinden gelmek için tarım sektörü, zararlıların tespit ve yönetim biçimini dönüştürmek üzere tarımda bilgisayarlı görü gibi gelişmiş teknolojileri benimsiyor. Ultralytics YOLOv8 gibi nesne tespiti modelleri, çiftçilerin zararlıları daha doğru belirlemesine yardımcı olarak mahsullerini daha iyi korumalarını sağlar.

Bu blog yazısında bilgisayarlı görünün zararlı tespitindeki rolünü ve Ultralytics YOLOv8 gibi modellerin tarımda nasıl yenilikler sağlayabileceğini inceleyeceğiz. Zararlı yönetiminin faydalarını, zorluklarını ve geleceğini ele alacağız.

Bilgisayarlı görü zararlı tespitinde nasıl çalışır?#

Tarım sektörü, mahsullerin sağlıklı olmasını ve zararlılar, hastalıklar ya da çevresel etkenler nedeniyle zarar görmemesini sağlamak için sürekli izleme gerektirir. Bu nedenle çiftçiler hava koşullarından zararlılara kadar pek çok sorunla mücadele etmek zorunda kalır. Zararlılarla mücadelede geleneksel yöntemler çoğu zaman yetersiz kalır ve mahsul kaybına yol açabilir. Yapay zekâ (AI) ve bilgisayarlı görü bu noktada devreye girerek çiftliklerdeki günlük iş akışlarına yönelik pratik çözümler sunabilir.

Bilgisayarlı görü modellerini yüksek çözünürlüklü kameralara entegre eden çiftçiler, alanları otomatik olarak izleyebilir; gerçek zamanlı görüntü ve video analizini kullanarak böcekleri tespit edebilir, mahsul sağlığını değerlendirebilir ve olası tehditleri belirleyebilir. Bu sistemler, önceden eğitilmiş veri kümelerine dayanarak böcekleri tanıyıp örüntüleri belirlemek için görüntüleri analiz eder.

Bilgisayarlı görü, nesne tespiti ve sınıflandırma gibi teknikleri kullanarak zararlıları daha etkili biçimde belirleyip yönetebilir. İlk teknik, bir görüntü veya videoda zararlıların varlığını ve tam konumunu tespit etmeyi; ikincisi ise belirlenen zararlıları belirli tür veya kategorilere ayırmayı kapsar. Bu teknikler birlikte, daha hassas ve hedefe yönelik zararlı yönetimi stratejileri geliştirilmesini sağlar.

Bunu göz önünde bulundurarak, zararlıların tespit ve sınıflandırılmasında bu görevlerin her birinin nasıl kullanılabileceğine yakından bakalım.

Nesne Algılama, bir görüntüdeki zararlıları bulmak ve tam konumlarını belirlemek için kullanılabilir. Bir alanı veya serayı hızla taraman ve zararlıların nerede bulunduğunu saptayarak onları uygun biçimde müdahaleyle kontrol altına alman gerektiğinde fayda sağlar. Örneğin nesne algılama, zararlı etkinliğinin yüksek olduğu bölgeleri belirleyerek hedefli müdahaleye olanak tanır.

Şekil 1. Bir görüntüdeki zararlıları tespit eden Ultralytics YOLOv8.

Sınıflandırma: Böcekler tespit edildikten sonra sınıflandırma, hangi zararlı türüne ait olduklarını tam olarak belirlemeye yardımcı olur. Örneğin, Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri, farklı böcek türlerini tanımak için kapsamlı veri kümeleri üzerinde eğitilebilir. Bu, çiftçilerin hangi pestisitlerin daha etkili olduğunu belirlemesine yardımcı olur; daha bilinçli kararlar almalarını sağlayarak hem mahsul hasarını hem de kimyasal kullanımını azaltır.

Şekil 2. Bir görüntüdeki zararlıları sınıflandıran Ultralytics YOLOv8.

Akıllı seralar erken zararlı tespiti için bilgisayarlı görüden nasıl yararlanıyor?#

Bilgisayarlı görü, seralar gibi daha küçük alanlarda da kullanılabilir. Akıllı seralar, mahsulleri yakından izlemek ve zararlıları gerçek zamanlı tespit etmek için bilgisayarlı görü ve yapay zekâdan yararlanarak kapalı alanda tarımı dönüştürüyor. Bu seralarda bitkilerin çevresine yerleştirilen yüksek çözünürlüklü kameralar, mahsullerin görüntülerini sürekli olarak gerçek zamanlı biçimde kaydediyor. Önceden eğitilmiş bilgisayarlı görü modeli bu görüntüleri analiz ederek zararlıları erkenden tespit edebiliyor ve zararlılar büyük hasara yol açmadan çiftçilerin hızla harekete geçmesini sağlıyor.

Bunun işleyişine iyi bir örnek, "Makine Öğrenimi Kullanarak Seralarda Zararlıların Erken Tespiti" çalışmasında gösteriliyor. Bu sistemde seranın çeşitli noktalarına kameralar yerleştiriliyor ve görüntülerdeki zararlıları belirlemek için yapay zekâ teknolojisi kullanılıyor. Zararlı istilasının görünür belirtilerini beklemek yerine sistem, zararlıları kamera görüş alanına girer girmez tespit edebiliyor. Bir böcek gördüğünde çiftçilere uyarı göndererek istilaların yayılmadan durdurulmasına yardımcı oluyor.

Sistem, eğitim sonrasında bazı zararlı türlerini belirlemede yüksek doğruluk gösteriyor; belirli türlerde doğruluk %99'a kadar çıkıyor. Ancak alışılmadık şekil veya boyutlara sahip ya da olağandışı konumlarda bulunan zararlıları tanımakta zorlanıyor. Çiftçiler bu teknolojiyi kullanarak pestisit kullanımını yine de azaltabilir, mahsullerini daha verimli koruyabilir ve daha sürdürülebilir tarım uygulayabilir.

Şekil 3. Böcekleri güven puanlarıyla tespit edip sınıflandıran, önceden eğitilmiş Ultralytics YOLOv8 modeli. Görsel yazara aittir.

Yapay zekânın tarımdaki faydaları#

Bilgisayarlı görü, çiftçilerin zararlılarla mücadele yöntemlerinde büyük fark yaratıyor; zararlı kontrolünü daha kolay ve etkili hâle getiren önemli avantajlar sunuyor. İşte bu teknolojinin sahada kullanılmasının iki temel faydası.

Erken tespit ile zararlıların yayılmasını önleme#

Bilgisayarlı görü, zararlıları görünür hasara yol açmadan önce bile erkenden tespit edebilir. Bu erken tespit, çiftçilerin hızla harekete geçmesini ve istilaların daha geniş alanlara yayılmasını önlemesini sağlar.

Çiftçiler, zararlıları sayıları henüz azken tespit ederek uygulamaları belirli alanlara odaklayabilir ve böylece genel pestisit kullanımını azaltabilir. Bu yaklaşım, sağlıklı mahsuller için önemli olan faydalı böceklerin korunmasına da yardımcı olabilir ve zararlıların Entegre Zararlı Yönetimi (IPM) stratejilerini destekleyerek kontrolü daha verimli ve çevre dostu hâle getirir.

Pestisit kullanımının azaltılması#

Bilgisayarlı görü, farklı yaprak biti veya akar türleri gibi birbirine benzeyenler de dâhil olmak üzere farklı zararlı türlerini ayırt etmede değerli bir araçtır. Bu doğruluk çok önemlidir; çünkü bazı zararlılar belirli pestisitlere dirençli olabilirken diğerleri doğal kontrol yöntemlerine daha iyi yanıt verebilir.

Çiftçiler, karşı karşıya oldukları zararlıyı tam olarak bilerek doğru uygulamayı seçebilir ve kimyasal kullanımını ihtiyaca göre düzenleyebilir. Uzun vadede bu hedefli yaklaşım, zararlıların pestisitlere karşı direnç geliştirme olasılığını azaltabilir ve etkili zararlı kontrolü sağlarken çevrenin daha güvenli kalmasına yardımcı olur.

Zararlı kontrolünde yapay zekânın zorlukları#

Bilgisayarlı görüyle zararlı tespiti büyük avantajlar sunsa da ele alınması gereken bazı zorluklar hâlâ vardır. Performansı etkileyebilecek başlıca dezavantajlardan bazılarına göz atalım.

Farklı ortamlara uyum sağlama#

Zararlı tespitinde bilgisayarlı görü modellerini kullanmanın zorluklarından biri, modelleri farklı ortamlarda iyi çalışacak şekilde uyarlamaktır. Mahsuller birbirinden çok farklı görünebilir ve zararlıların görünümü, istila ettikleri bitkiye bağlı olarak değişebilir. Ayrıca aydınlatma koşulları da farklılık gösterebilir: doğal güneş ışığı, bulutlu hava veya gece aydınlatması modelin zararlıları ne kadar iyi tespit ettiğini etkiler. Tüm bu etkenler, modelin farklı tarla ve koşullarda doğru çalışmasını sağlamayı zorlaştırır. Bu nedenle modellerin değişikliklere uyum sağlaması için çoğu zaman ayarlanması veya yeniden eğitilmesi gerekir; bu süreç zaman alabilir ve daha fazla veri gerektirebilir.

Yüksek hesaplama kaynakları ihtiyacı#

Bilgisayarlı görü modellerini gerçek zamanlı zararlı tespitinde kullanmak yüksek işlem gücü gerektirebilir. Modelin özellikle geniş tarlalarda veya drone gibi cihazlarda verimli çalışması için güçlü donanım ve iyi optimize edilmiş sistemler gerekir. Güçlü bilgi işlem kaynaklarına her zaman erişilemeyen açık hava ortamlarında bu durum zorluk yaratabilir. İşlerin sorunsuz yürümesi için birçok kurulumda gelişmiş cihazlar veya bulut sistemleri gerekir; bunlar maliyeti artırabilir ve sürekli izleme için iyi bir internet bağlantısı gerektirebilir.

Kapsamlı veri kümelerine duyulan ihtiyaç#

Yukarıda görüldüğü gibi bilgisayarlı görü modellerinin zararlıları doğru biçimde tespit edebilmesi için önce eğitilmesi gerekir. Bunun için, özellikle belirli zararlı türlerini içeren büyük ve çeşitli veri kümelerine ihtiyaç vardır. Zararlılar pek çok farklı şekil ve boyutta olur; görünümleri yaşam evresi ve çevre gibi etkenlere bağlı olarak değişebilir. Farklı zararlıları doğru biçimde tespit edebilmek için modellerin bu çeşitliliği yansıtan kapsamlı eğitim verilerine ihtiyacı vardır. Bu veri kümelerini oluşturmak zaman alabilir ve her zararlı türünün doğru biçimde etiketlenmesini sağlamak için uzman katkısı gerekebilir. Yeterli veri olmadığında modelin doğruluğu ve farklı zararlı türlerine genelleme yeteneği sınırlı kalabilir.

Drone'lar zararlı tespitinin geleceğini nasıl şekillendiriyor?#

Bilgisayarlı görünün robotik ve drone'larla birleştirilmesi, zararlıların izlenme biçimini değiştirecek. Gelişmiş görüntüleme sistemlerine sahip drone'lar geniş tarım alanlarını tarayarak zararlıları uzaktan ve otomatik olarak tespit edebilir. Bu, çiftçilere gerçek zamanlı veri sağlayarak zararlı kontrolü çalışmalarını en çok ihtiyaç duyulan bölgelere yönlendirmelerine yardımcı olur.

Buna iyi bir örnek, bilgisayarlı görü modeliyle donatılmış drone'ların zararlıları gerçek zamanlı tespit etmek ve optimize edilmiş ilaçlama rotaları planlamak için kullanıldığı IEEE tarafından yayımlanan bir çalışmadır. Bu yaklaşım, pestisit kullanımını azaltıp mahsul sağlığını iyileştirdi ve bilgisayarlı görü kullanan drone'ların tarımda daha akıllı, hedefe yönelik zararlı kontrolü sağlayabileceğini gösterdi.

Şekil 4. Gelişmiş görsel sistemlerle donatılmış drone'lar.

Önemli çıkarımlar#

Genel olarak Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri, tarım ve çiftçilikte zararlı kontrolü yöntemlerini değiştiriyor. Çiftçiler zararlıları erken tespit ederek istilalar yayılmadan önlem alabilir ve zararlı türlerini doğru biçimde belirleyebilir. Bu hassasiyet, hedefli müdahalelere olanak tanıyarak pestisit kullanımını azaltır, daha sağlıklı mahsulleri ve daha temiz bir çevreyi destekler.

Drone'lar ve IoT sensörlerinin eklenmesiyle çiftçiler artık geniş tarlaları gerçek zamanlı olarak otomatik biçimde izleyebilir; bu da zararlı yönetimini daha verimli hâle getirir. Teknoloji geliştikçe modellerin daha hızlı, daha doğru ve daha kolay kullanılabilir olması bekleniyor; bu da daha sürdürülebilir ve çevre dostu tarım uygulamalarına katkıda bulunuyor. Ultralytics YOLO11 gibi daha yeni modeller zararlı kontrolünde şimdiden kullanılıyor.

Ultralytics'te yapay zekâ teknolojisini ilerletmeye kendimizi adadık. En yeni çalışmalarımızı görmek için GitHub depomuzu ziyaret et. Etkin topluluğumuza katıl ve otonom araçlar ile üretim gibi sektörleri nasıl dönüştürdüğümüzü keşfet!