Otonom Tarım Aracı İçin Geliştirilmiş Ekin Sırası Tespit Teknikleri: Klasik ve Derin Öğrenme Yaklaşımlarının Karşılaştırmalı Analizi
Karadeniz Fen Bilimleri Dergisi, cilt.16, sa.2, ss.605-625, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 16 Sayı: 2
- Basım Tarihi: 2026
- Doi Numarası: 10.31466/kfbd.1714811
- Dergi Adı: Karadeniz Fen Bilimleri Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.605-625
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Ondokuz Mayıs Üniversitesi Adresli: Evet
Özet
Hassas tarım, küresel nüfus artışı karşısında sürdürülebilir tarım için kritik öneme sahiptir. Bu çalışma, otonom navigasyon için üç ekin sırası tespit yöntemini karşılaştırır: klasik görüntü işleme, CNN tabanlı bitki algılama ve CNN tabanlı ekin sırası segmentasyonu. Yöntemler, doğruluk, hız, ortalama açısal hata ve çevresel uyarlanabilirlik açısından aynı koşullar altında kontrollü bir Gazebo simülasyonunda değerlendirildi. CNN tabanlı ekin sırası segmentasyonu (YOLOv11n-seg), varyasyonlara karşı minimum duyarlılık ile en yüksek doğruluğu (99,5%) elde etti, ancak daha düşük hızlarda çalıştı (ortalama FPS < 5). Klasik görüntü işleme en hızlıydı (ortalama FPS: 95,82), ancak kamera yönelimine ve renk değişikliklerine duyarlılığı nedeniyle daha az güvenilirdi. CNN tabanlı bitki algılama, özellikle YOLOv11n, yüksek doğruluk (98,79%), gerçek zamanlı hız (Jetson Orin Nano'da 32,3 FPS) ve sağlamlık arasında denge kurarak MobileNetV2'yi (94,62%, 21,49 FPS) geride bıraktı. Çalışmanın yeniliği, navigasyon kararlılığını değerlendirmek için ortalama açısal hata kullanılmasıdır. CNN tabanlı yöntemler, özellikle YOLOv11n, klasik yöntemlere (±9,82°) göre daha düşük açısal hatalar (±1,40°) ve daha yüksek kararlılık elde ederek güvenilir simüle edilmiş performansı destekledi. Son zamanlarda yapılan çalışmalar, yöntemlerimizin verimliliğini karşılaştırmalı olarak değerlendirdi. Sonuçlar, gerçek zamanlı kullanım ve doğruluk arasındaki dengeyi vurgulamakta olup, gerçek dünya performansını doğrulamak için saha denemeleri planlanmaktadır.
As the global population increases, precision agriculture plays a key role in sustainable farming. This study compares three crop row detection methods to help with autonomous navigation in agriculture: classical image processing, CNN-based plant detection, and CNN-based crop row segmentation. Each method was tested in a controlled Gazebo simulation for accuracy, speed, mean angular error, and adaptability. The CNN-based crop row segmentation method (YOLOv11n-seg) had the highest accuracy (99.5%) and was less affected by environmental changes, but it was slower, with an average speed below 5 FPS. Classical image processing was the fastest (average 95.82 FPS), but it was less reliable because it was sensitive to camera angle and color changes. CNN-based plant detection, especially YOLOv11n, provided a good balance of high accuracy (98.79%), real-time speed (32.3 FPS on Jetson Orin Nano), and robustness, and it performed better than MobileNetV2 (94.62%, 21.49 FPS). The study also used mean angular error to measure navigation stability. CNN-based methods, especially YOLOv11n, had lower angular errors (±1.40°) and were more stable than classical methods (±9.82°), which led to more reliable simulated results. Other recent studies have also compared the efficiency of these methods. The findings highlight a trade-off between real-time performance and accuracy. Field trials are planned to test these results in real-world conditions.