Tarımda zararlı böceklerin erken ve doğru tespiti, ürün verimliliğini artırmak ve pestisit kullanımını azaltmak açısından önemlidir. Geleneksel sarı yapışkan ve feromon tuzaklarında yapılan manuel sayımlar iş gücü ve zaman açısından maliyetli olup, hata riski taşır. Özellikle sera ortamında değişken zararlı yoğunluğu nedeniyle bu yöntemler yetersiz kalmaktadır. Bu çalışmada, dijital feromon tuzaklarından elde edilen yüksek çözünürlüklü görüntüler kullanılarak üç farklı böcek türünün otomatik tespiti ve sınıflandırılması amaçlanmıştır: Trialeurodes vaporariorum (beyaz sinek), Macrolophus pygmaeus ve Nesidiocoris tenuis. Görüntüler sera ortamında toplanmış, uzmanlarca etiketlenmiştir. YOLOv8 ve RF-DETR modelleri ile nesne tespiti yapılmış: tespit edilen böcekler VGG19, ResNet50, NASNet Mobile ve FGCN gibi modellerle sınıflandırılmıştır. Sonuçlara göre, YOLOv8 küçük nesne tespitinde %81,6 mAP50 başarısı göstermiştir. RF-DETR, büyük nesnelerde %77,1 mAP50 değeriyle daha başarılı olmuştur. Sınıflandırmada ise VGG19 modeli %97.05 doğruluk ile en yüksek performansı sağlamıştır. Bu çalışma, düşük maliyetli ve yüksek doğruluklu dijital feromon tuzaklarına entegre edilebilecek bir sistem önererek, akıllı tarım uygulamaları için katkı sağlamaktadır.
Early and accurate detection of pests in agriculture is crucial for increasing crop yields and reducing pesticide use. Manual counts using traditional yellow sticky traps and pheromone traps are labor-intensive, time-consuming, and prone to error. These methods are particularly inadequate in greenhouse environments due to variable pest density. This study aimed to automatically detect and classify three different insect species using high-resolution images obtained from digital pheromone traps: Trialeurodes vaporariorum(whitefly), Macrolophus pygmaeus, and Nesidiocoris tenuis. The images were collected in a greenhouse and labeled by experts. Object detection was performed using YOLOv8 and RF-DETR models: the detected insects were classified using models such as VGG19, ResNet50, NasNet Mobile, and FGCN. According to the results, YOLOv8 achieved an 81.6% mAP50 accuracy in small object detection. RF- DETR performed better with a 77.1% mAP50 for larger objects. The VGG19 model achieved the highest classification performance with 97.05% accuracy. This study contributes to smart agriculture applications by proposing a system that can be integrated into low-cost, high accuracy digital pheromone traps.
