Çay yaprağı toplanırken içerisine farklı otlar karışabilmektedir. Daha kaliteli, sağlıklı ve lezzetli çay üretimi için bu sorunu önlemek ve yönetmek için güvenilir ve doğru bir teşhis ve tanımlama sistemi gereklidir. Bu sistem hem otonom çay hasadı sistemlerinde hem de çay kurutma fabrikaları girişlerinde kullanılabilecektir. Bu çalışma, çay bahçelerinden toplanan çay yaprakları ve içerisine en çok karışan eğrelti otundan oluşan veri kümesi üzerinde en hızlı nesne algılama modeli olan sadece bir kez bak (You Only Look Once, YOLO) algoritmasında v5 ve v8 olmak üzere iki farklı versiyonda eğiterek çay yaprağı içerisine karışan eğrelti otu sorununa yapay zeka tabanlı bir çözüm sunmayı amaçlamaktadır. Çay bahçelerinden alınan 747 dijital görüntü toplanarak veri seti oluşturuldu. Daha sonradan veri artırma yöntemleri kullanılarak veriler çoğaltılıp 1395 görüntü haline getirildi. Model eğitimleri arttırılmış son veri setine göre yapıldı. Her bir modelin eğitimi için aynı veri seti kullanıldı. YOLOv5 yaklaşımı için tanımlama sonuçları kesinlik, duyarlılık, genel ortalama kesinlik değeri (mean Average Precision, mAP) ve F1-skoru parametrelerine göre sırasıyla %84,4, %81,0, %84,4 ve %0,83 ve YOLOv8 için tanımlama sonuçları sırasıyla %86,7, %79,9, %86,7 ve %0,83 çıkmıştır. Deneysel sonuçlar, bitki tespiti için YOLOv8 algoritmasının daha yüksek performansı göstererek üstün olduğunu göstermektedir. Bu çalışmanın iş yükünü en aza indirmesi ve çaya karışan otların hızlı bir şekilde tanımlanmasına ve tespit edilmesine yardımcı olarak kalite ve lezzet sorunlarının en aza indirilmesinde yapılacak çalışmalara desteği öngörülebilir.
During tea leaves harvest, different herbs can be mixed in the tea bag. A reliable and accurate identification system is needed to prevent and manage such problem to produce better quality, healthier, and tastier tea. This system can be used both in autonomous tea harvesting systems and at the entrances of tea-drying factories. This study aims to provide an artificial intelligence-based solution to the problem of ferns in tea leaves by training the fastest object detection model, the You Only Look Once (YOLO) algorithm, in two different versions, v5, and v8, on a dataset consisting of tea leaves collected from tea gardens and the most common ferns mixed in them. A data set was created by collecting 747 digital images from tea gardens. Then, using data augmentation methods, the data was multiplied to 1395 images. Model training was performed according to the final augmented data set. The same dataset was used for training each model. The identification results for the YOLOv5 approach were 84.4%, 81.0%, 84.4%, and 0.83% based on the precision, sensitivity, mean average precision (mAP), and F1-score parameters, respectively, and the identification results for YOLOv8 were 86.7%, 79.9%, 86.7%, and 0.83%. The experimental results show that the YOLOv8 algorithm is superior for plant detection, showing higher performance. It is foreseeable that this study will minimize the workload and support future studies in minimizing quality and flavor problems by helping to quickly identify and detect herbs mixed in tea.
