Ayçiçeği, yabancı ot ve toprak görüntülerinin LVQ yapay sinir ağları ile ayırt edilmesi üzerine bir araştırma

öz Alana özel herbisit uygulaması, kullanılan herbisitin miktarım azaltıcı bir etki yaratır. Bu sayede, çevre kirliliği ve tarımdaki herbisit girdilerinin azalması gibi çok önemli faydalar sağlanır. Daha sonraki çalışmalarla geliştirilmesi planlanan otomatik bir tarla pülverizatörü ile alt alanların tanınması yolu ile ayçiçeği (Helicmthus annum), pıtrak {Xanthium strumarium) ve toprağın birbirinden ayrılması bu araştırmanın uzun vadedeki amaçlarındandır. Buna yönelik olarak bu çalışma ile hedeflenen, ayçiçeği, yabancı ot ve boş toprak görüntülerini bilgisayar ve geliştirilen sınıflama algoritmaları ile birbirinden ayırmak olmuştur. Kendi kendini düzenleyen (SOM) yapay sinir ağları' nın bir alt modeli olan Learning Vector Quantization (LVQ) ağı ayçiçeği, yabancı ot ve toprağı görüntülerini birbirinden ayırmak için kullanılmıştır. Bunun sonucunda ayçiçeği-yabancı ot tanımada %80.23, ayçiçeği-toprak tanımada %86.05, yabancı ot- toprak tanımda %79.00 tanıma basan değerleri elde edilmiştir. Anahtar Kelimeler: Alana özel uygulamalar, LVQ yapay sinir ağları, Görüntü tanıma

ABSTRACT Application of herbicides selectively onto the field has been gaining attraction as it decreases the amount of herbicides used. This concludes very advantageous results lowering herbicide inputs in agriculture and also the pollutants for the environment. In this research, sunflower {Helicmthus annum), common cocklebur (Xanthium strumarium) and soil were aimed to discriminate from one another for the ultimate aim of recognizing sub-areas in the field during pulverization of herbicides through a pulverization machinery. However, only image recognition (sunflower, weed, soil) was aimed for this developmental study. A sub model of Kohonen self organizing maps (SOM) neural networks, which is Learning Vector Quantization (LVQ), was used to discriminate sunflower, weed and soil from one another. In the results following recognition successes were obtained, 80.23% for sunflower-weed recognition, 86.05% for sunflower-soil recognition and 79.00% for weed-soil recognition. Key Words: Site-specific application, LVQ artificial neural networks, Image recognition II