BaleUAVision: Saman Balıları İHA İle Yakalanmış Veri Kümesi

Gökyüzünden Saman Balı Saymanın Önemi

Saman baları basit kurutulmuş ot ruloları gibi görünse de, bir tarlada tam olarak kaç tane olduklarını ve nerede bulunduklarını bilmek çiftçiler için gerçek bir para değerindedir. Kesin sayımlar, hayvanlar için ne kadar yem bulunduğunu, kaç kamyona ihtiyaç olduğunu ve hasat ekiplerinin ne kadar çalışması gerektiğini belirler. Bu makale, İHA görüntülerinden oluşturulmuş yeni bir açık veri kümesi olan BaleUAVision’u sunuyor; bu veri kümesi havadan saman balalarını otomatik olarak tespit etmeyi ve saymayı kolaylaştırarak tarımın daha akıllı ve verimli yönetimine katkı sağlıyor.

Yukarıdan Görülen Çiftlikler

BaleUAVision, Yunanistan’ın kuzeyinde 16 saman tarlası üzerinde uçan İHA’larla çekilmiş 2.599 net renkli fotoğrafa dayanıyor. Tarlalar yaklaşık 232 dönümü kapsıyor ve farklı manzaralara sahip iki bölgeyi içeriyor: Xanthi çevresindeki geniş düzlükler ve Drama yakınlarındaki daha değişken arazi. Uçuşlar 2023 yazında, açık gökyüzü ve hafif rüzgar altında, 50 ile 100 metre arasındaki yüksekliklerde ve ılımlı hızlarda gerçekleştirildi. Ortaya çıkan veri, laboratuvar düzeni yerine yerel tarım uygulamalarını ve araziyi yansıtan dağılımlarla hasat sonrası tarlaların gerçekçi bir anlık görüntüsüdür.

Görüntüleri Kullanılabilir Veriye Dönüştürmek

Görüntü toplamak yalnızca ilk adımdır. Ekip tüm fotoğrafları dikkatle işleyerek bulanık veya sorunlu olanları elerken, her tarlaya ait ayrıntılı üstten haritalar olan ortomoszaikler oluşturmak için fotoğrafları birleştirdi. Bu mozaikler, her bir balı güvenilir bir referans olarak elle saymak için kullanıldı. Aynı zamanda her bireysel balık, kaba bir kutu yerine orijinal fotoğraflarda elle izlenerek hassas bir kontur oluşturuldu. Bu titiz çalışma, birçok farklı yapay zeka aracının ekstra dönüştürme gerektirmeden eğitilip test edilebilmesi için çeşitli yaygın dosya formatlarında yüksek kaliteli “gerçek veri” oluşturdu.

Uçuşlarda Çeşitlilik, Modellerde Güç

Bir İHA'nın nasıl uçtuğu — hangi yükseklikte, ne hızda ve fotoğrafların ne kadar üst üste bindiği — gördüklerini şekillendirir. BaleUAVision, tespit sistemlerinin koşullar değiştiğinde bozulmaması için bu uçuş ayarlarını kasten çeşitlendirir. Daha alçak uçuşlar her karede daha fazla ayrıntı yakalarken daha az alan gösterir; daha yüksek uçuşlar daha fazla alan görür ancak balaları daha küçük gösterir. Farklı yüksekliklerde ve iki bölge boyunca farklı aydınlatma koşullarında görüntüler içeren veri kümesi, hem coğrafi çeşitliliği hem de gerçek dünya operasyonlarının karşılaştığı kamera ölçeği değişikliklerini kapsar. Testler, bu çeşitliliğin yapay zeka modellerinin balaları yeni yerlerde veya farklı yüksekliklerden çekilmiş fotoğraflarda bile tanımasına yardımcı olduğunu gösteriyor.

Veri Kümesini Sınamak

BaleUAVision’un gerçekten kullanışlı olup olmadığını kontrol etmek için yazarlar, görüntülerde saman balalarını bulmak üzere popüler bir tespit sistemi olan YOLOv11’i eğittiler. Ardından modeli iki şekilde zorladılar: daha önce görmediği bir bölgeden tarlardaki baları tespit etmesi istendi ve eğitim ile test arasındaki uçuş yüksekliği değiştirildi. Veri kümesi üzerinde eğitildiğinde, sistem yeni tarlardaki neredeyse tüm baları çok az yanlış alarmla tespit etti. Ayrıca eğitimde daha düşük yükseklikler gördüğünde daha yüksek uçuş yüksekliklerini de iyi yönetti. Ancak yalnızca yüksek irtifa görüntüleriyle eğitilmiş bir model, araştırmacılar az sayıda alçak irtifa örneği ekleyene kadar yakın çekim görüntülerle zorlandı; bu da mütevazı ama iyi seçilmiş ek verinin güvenilirliği büyük ölçüde artırabileceğini gösterdi.

Genel Yapay Zekanın Ötesinde, Tarlaya Hazır Araçlara Doğru

Ekip ayrıca, görüntüde “her şeyi segmentleme” amaçlı büyük genel amaçlı görsel temelli modellerle kendi saman eğitimli modellerini karşılaştırdı. Bu temel modeller birçok ortamda güçlü olsa da, yoğun yerleşik, küçük saman balarının hareketli tarla arka planları içinde performansı belirgin şekilde daha zayıftı. BaleUAVision üzerinde eğitilmiş özel model hem daha isabetliydi hem de gerçek İHA’lar ve çiftlik bilgisayarlarında çalıştırmak için daha pratiktı. Bu, özenle hazırlanmış, sahaya özgü verinin geniş yapay zeka ilerlemelerini gerçekten çiftlik ölçeğinde işe yarayan araçlara dönüştürebileceğini vurguluyor.

Daha İyi Sayımlardan Daha Akıllı Tarıma

Açık ifadeyle, BaleUAVision araştırmacılara ve şirketlere saman balı sayma robotları ve yazılımları oluşturup test etmek için zengin, ücretsiz erişilebilir bir İHA görüntüleri ve bal konturları seti sunuyor. Bununla, çiftçilere kaç balaları olduğunu, nerede yer aldıklarını ve bunları toplamanın en iyi yolunu hızlı ve güvenilir şekilde söyleyen araçlar geliştirilebilir — yakıt, zaman ve işçilik tasarrufu sağlanır. Aynı veri tarla koşulları çalışmaları, lojistik planlama ve gelecekteki tarım robotları için de destek sağlayabilir. Veri kümesini kamuya açarak yazarlar, basit saman balarını daha hassas, veriyle yönlendirilen tarıma açılan bir kapıya dönüştürmek için bir temel atıyorlar.

Atıf: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

Anahtar kelimeler: hassas tarım, drone görüntüleri, saman balı tespiti, bilgisayarlı görü, uzaktan algılama veri kümesi