Bilgisayar görüşü tabanlı yabancı ot tespiti ve hiyerarşik meristem analizi

Abstract

Sürdürülebilir tarım hedefleri ve küresel gıda güvenliği kaygıları, konvansiyonel tarımda yaygın kullanılan kimyasal herbisitlere karşı çevre dostu alternatiflerin geliştirilmesini zorunlu kılmaktadır. Bu alternatifler arasında öne çıkan lazer tabanlı fiziksel mücadele yöntemleri, toprak yapısını koruma ve kalıntı bırakmama avantajlarına sahiptir. Ancak bu yöntemin başarısı, yabancı otun yalnızca yapraklarının yakılmasına değil, bitkinin rejenerasyon (yeniden büyüme) yeteneğini sağlayan "apikal meristem" dokusunun hassas bir şekilde tespit edilip imha edilmesine bağlıdır. Bu tez çalışması, otonom tarım robotlarının lazer sistemlerini milimetrik hassasiyetle yönlendirebilmesi için derin öğrenme tabanlı hiyerarşik bir yabancı ot tespiti ve meristem analiz yaklaşımı sunmaktadır. Çalışmada; güncel Ultralytics YOLOv11 mimarisi, hiyerarşik etiketleme süreci için özelleştirilen JAZO aracı ve bu tez kapsamında özgün olarak geliştirilen Meristem Research Tool analiz yazılımı entegre edilerek, bitkinin genel sınırlarını (kanopi) ve hayati büyüme noktasını eş zamanlı tespit eden hiyerarşik bir strateji izlenmiştir. Önerilen yöntem; kontrollü ortamı temsil eden Weed-Crop, karmaşık saha koşullarına sahip CottonWeedDet12 (Weed-AI) ve modelin genellenebilirliğini test etmek amacıyla CWFID (Havuç Tarlası) veri setleri üzerinde kapsamlı olarak değerlendirilmiştir. Deneysel bulgular, teorik beklentinin aksine, sınırlı hacme sahip tarımsal veri setlerinde büyük kapasiteli modellerin (YOLOv11x) aşırı öğrenme (overfitting) eğilimi göstererek performans kaybı yaşadığını ortaya koymuştur. Buna karşın, YOLOv11n (Nano) ve YOLOv11m (Medium) varyantlarının, hem meristem tespitindeki yüksek doğrulukları (mAP@0.50: ~0,78) hem de saniyede 50 karenin üzerine çıkan işlem hızlarıyla (FPS) gerçek zamanlı otonom sistemler için en uygun mimariler olduğu belirlenmiştir. Ayrıca CWFID veri seti üzerinde gerçekleştirilen çapraz testler, geliştirilen hiyerarşik yaklaşımın farklı ürün desenlerinde de (Transfer Learning) başarıyla uygulanabileceğini göstermiştir. Bu tez, yüksek maliyetli donanımlara ihtiyaç duymadan, uç cihazlar (Edge AI) üzerinde çalışabilen bilgisayarlı görü sistemlerinin, herbisitsiz hassas tarım uygulamalarında biyolojik hedefleme odaklı etkin bir çözüm sunduğunu teknik olarak doğrulamaktadır.Sustainable agriculture practices and global food security goals require the development of eco-friendly alternatives to chemical herbicides, which are intensively used in conventional agriculture. Laser-based physical control methods stand out among these alternatives, offering advantages such as preserving soil structure and eliminating chemical residues. However, the efficacy of this method relies heavily not merely on burning the weed leaves, but on the precise detection and destruction of the "apical meristem" tissue, which enables plant regeneration. This thesis presents a deep learning-based hierarchical weed detection and meristem analysis approach to enable autonomous agricultural robots to guide laser systems with millimeter-level precision. In this study, a strategy was employed to simultaneously detect the general boundaries (canopy) of the plant and its vital growth point by integrating the state-of-the-art Ultralytics YOLOv11 architecture, the JAZO tool (customized for the hierarchical annotation process), and the Meristem Research Tool analysis software developed specifically for this thesis. The proposed method was comprehensively evaluated on the Weed-Crop dataset (representing controlled environments), the CottonWeedDet12 (Weed-AI) dataset (featuring complex field conditions), and the CWFID (Carrot Field) dataset (to test the model's generalizability). Contrary to theoretical expectations, experimental findings revealed that large-capacity models (e.g., YOLOv11x) tended to overfit and experienced performance degradation when trained on limited agricultural datasets. Conversely, the YOLOv11n (Nano) and YOLOv11m (Medium) variants proved to be the most suitable architectures for real-time autonomous systems, demonstrating both high accuracy in meristem detection (mAP@0.50: ~0.78) and processing speeds exceeding 50 frames per second (FPS). Furthermore, cross-validation tests performed on the CWFID dataset demonstrated that the developed hierarchical approach could be successfully applied to different crop patterns via transfer learning. This thesis technically validates that computer vision systems capable of running on edge devices (Edge AI), without requiring high-cost hardware, offer an effective solution for herbicide-free precision agriculture applications with a focus on biological targeting.