All Sciences Proceedings http://as-proceeding.com/ 1 st International Conference on Recent Academic Studies May 2-4, 2023 : Konya, Turkey https://as- proceeding.com/index.php/icras © 2023 Published by All Sciences Proceedings 5 Raspberry Pi ile Gerçek Zamanlı Bitki Algılama Uygulaması Recai Özcan 1* ve Kemal Tütüncü 2 1 Bozkır Meslek Yüksekokulu Elektrik ve Enerji Bölümü / Selçuk Üniversitesi, Türkiye 2 Teknoloji Fakültesi Elektrik Elektronik Mühendisliği Bölümü / Selçuk Üniversitesi, Türkiye * (recaiozcan@selcuk.edu.tr) Özet – Elektronik ve bilgisayar teknolojilerinin gelişimine paralel olarak yapay zekâ uygulamaları birçok alanda gelişme imkânı bulmuştur. Bu alanlardan birisi de hassas tarımda yapay zekanın kullanımıdır. Yapay zekanın alt dalı olan derin öğrenme teknikleriyle güçlü donanıma sahip bilgisayarlar kullanılarak hassas tarım için birçok başarılı bilgisayarlı görü uygulamaları geliştirilmiştir. Ancak bu uygulamaların gerçek zamanlı çalışabilen bir robotik sisteme entegre edilmesi yüksek maliyet gerektirmektedir. Bu sebeple hassas tarıma yönelik gerçek zamanlı uygulamalar tasarlayabilmek ve robotik makinelerin alt sistemlerinde yapay zekayı kullanabilmek için düşük maliyetli çözümlere ihtiyaç duyulmaktadır. Bu çalışmada hassas tarımda robotik makinelerin bilgisayarlı görü sistemlerinde kullanmak için Raspberry Pi 4 ile gerçek zamanlı bir bitki algılama sistemi gerçekleştirilmiştir. Ayrıca sistemin algılama hızını artırmak için Coral USB hızlandırıcı kullanılarak sonuçlar algılama hızı bakımından değerlendirilmiştir. Coral USB hızlandırıcı ile Raspberry Pi 4’ün birlikte kullanımıyla 30 FPS’lere varan algılama hızı elde edilmiştir. Bu sonuçlar bir mikrobilgisayar üzerinde gerçek zamanlı bitki algılamanın yapılabileceğinin mümkün olduğunu göstermektedir. Anahtar Kelimeler – Bitki Tespiti, Hassas Tarım, Raspberry Pi, Coral USB Hızlandırıcı, FPS I. GİRİŞ Bilgisayarlı görü, insan beyninin görmeyle ilgili yapabileceği görevleri bilgisayar kullanarak yapmaya odaklı disiplinler arası bir alandır [1]. Başka bir deyişle bir kamera ve bilgisayar kullanılarak hedefleri tanımlamak için makinenin görmesini içeren bir teknolojidir ve temel olarak görüntü işleme, makine öğrenmesi ve derin öğrenmeyi içerir [2]. Özellikle, insan beyninden ilham alınarak bilgisayarlara verilerin nasıl işlendiğini öğretecek şekilde modellenen algoritmalar olan derin öğrenme [3] uygulamaları bilgisayarlı görüde yüksek verimlilikleri sebebiyle sıkça kullanılmaktadır. Son yıllarda gerçekleştirilen bitki algılama uygulamalarının makine öğrenmesi yöntemlerinden uzaklaşarak, makine öğrenmesinin bir alt dalı olan derin öğrenme yöntemlerine doğru yöneldiği görülmektedir [4, 5]. Bunun nedeni makine öğrenimi yöntemlerinde verilerden özellik çıkarmak için uzman bilgisine bağlı olarak zaman alıcı ve karmaşık bir süreç olan özellik mühendisliği bilgisi gerektirmesidir [4, 6]. Derin öğrenme yöntemleri ise veri özelliklerini otomatik olarak çıkaran temsili öğrenme yöntemini kullanmaktadır [3]. Yani derin öğrenme özellik çıkarma aşamasına gerek duymadan doğrudan verilerden öğrenebilir [7]. İnsan tahmin performansını aşan doğruluk seviyesine ulaşabilen [8] derin öğrenme bu özelliği sayesinde nesne algılamayı basitleştirmiştir [9]. Derin öğrenme alanında bir görüntüden bilgi çıkarmak için genel olarak evrişimsel sinir ağları kullanılmaktadır [10]. Evrişimsel sinir ağı tabanlı derin öğrenme algoritmaları kendine has ağ yapısı vasıtasıyla alt katmanlarda düşük seviyeli özellikleri, ilerleyen katmanlarda ise yüksek seviyeli özellikleri çıkarır [2] ve bu özelliklerden hangilerinin kullanılması gerektiğini kendisi belirleyerek tahminler üretir [11, 12]. Hassas tarım, tarımsal girdilerin ve çıktıların optimizasyonu [13] için bilişim çağının getirdiği ileri teknolojiyi tarımsal alanda kullanılmasına dayalı geliştirilen tekniklerdir [14]. Son yıllarda