Recai Özcan, Kemal Tütüncü

Raspberry Pi ile Gerçek Zamanlı Bitki Algılama Uygulaması

Introduction

Raspberry pi ile gerçek zamanlı bitki algılama uygulaması. Raspberry Pi 4 ve yapay zeka kullanarak hassas tarım için düşük maliyetli, gerçek zamanlı bitki algılama sistemi geliştirildi. Coral USB ile 30 FPS hızına ulaşıldı.

Abstract

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.

Review

This paper, titled "Raspberry Pi ile Gerçek Zamanlı Bitki Algılama Uygulaması," presents a timely and relevant solution to a significant challenge in precision agriculture: the high cost barrier to integrating AI-driven computer vision into real-time robotic systems. The authors address the need for low-cost solutions by developing a real-time plant detection system based on the readily available Raspberry Pi 4. Their core contribution lies in demonstrating the feasibility of achieving practical real-time performance for critical agricultural tasks, such as plant identification, on an economical embedded platform. The study's key strength is its innovative approach to overcoming hardware cost limitations. By augmenting the Raspberry Pi 4 with a Coral USB accelerator, the authors report a substantial increase in detection speed, achieving up to 30 frames per second (FPS). This performance is highly commendable for a microcomputer-based system and effectively proves the potential for deploying sophisticated deep learning models in cost-sensitive robotic applications within agriculture. Such a low-cost, high-performance solution opens doors for wider adoption of automated systems, making advanced precision farming technologies more accessible. While the reported speed is a promising indicator, the abstract would benefit from additional detail to fully contextualize the system's capabilities and robustness. Future iterations of the work should clearly specify the particular deep learning model utilized, provide insights into the dataset used for training and evaluation (e.g., size, diversity of plant species, image conditions), and, critically, present quantitative metrics beyond speed, such as detection accuracy (precision, recall, F1-score). Furthermore, a discussion on the system's performance under varying environmental conditions – such as different lighting, weather, or plant growth stages – would enhance its perceived real-world applicability and provide a clearer path for future field integration and optimization.

Full Text

Comments

You need to be logged in to post a comment.