Pests significantly negatively affect product yield and quality in agricultural production. Agricultural producers may not accurately identify pests and signs of pest damage. Thus, incorrect or excessive insecticides may be used. Excessive use of insecticides not only causes human health and environmental pollution, but also increases input costs. Therefore, early detection and diagnosis of pests is extremely important. In this study, the effectiveness of the instance segmentation method, a deep learning-based method, was investigated for the early detection of the damage caused by the T. absoluta pest in the leaf part of the tomato plant under greenhouse conditions. An original dataset was created by acquiring 800 healthy and damaged images under greenhouse conditions. The acquired images were labelled as bounding box and automatically converted to a mask label with the Segment Anything Model (SAM) model. The created dataset was trained with YOLOv8(n/s/m/l/x)-Seg models. As a result of the training, the box performance of the proposed YOLOv8l-Seg model was measured as 0.924 in the mAP_0.5 metric. The YOLOv8l-Seg model mask values are, respectively: mAP_0.5, mAP_0.5–0.95, Precision, Recall showed the best performance with values of 0.935, 0.806, 0.956 and 0.859. Then, the YOLOv8l-Seg model, trained with different data input sizes, showed the best performance at 640 × 640 size and the lowest performance with a value of 0.699 in the mAP_0.5 metric in the 80 × 80 size. The same dataset was trained with YOLOv7, YOLOv5l, YOLACT and Mask R-CNN instance segmentation models and performance comparisons were made with the YOLOv8l-Seg model. As a result, it was determined that the model that best detected T. absoluta damage in tomato plants was the YOLOv8l-Seg model. The Mask R-CNN model showed the lowest performance with a metric of 0.806 mAP_0.5. The results obtained from this study revealed that the proposed model and method can be used effectively in detecting the damage caused by the T. absoluta pest.

Tarım, yaşamın sürdürebilmesi için hayati bir faaliyet alanı olmakla birlikte, tarım dışı diğer sektörlere hammadde sağlaması, milli gelir ve istihdama katkısı nedeniyle de stratejik bir faaliyet alanıdır. Teknolojinin hızla gelişmesiyle ortaya çıkan yeni teknikler veya cihazların tarımda kullanılması tarımsal uygulamaların daha kolay ve etkin yapılabilmesini sağlamaktadır. Son yıllardaki en popüler teknolojik gelişmelerden biri olan drone’ların tarımda kullanımı yaygınlaşmakta ve yeni uygulama alanlarının da eklenmesiyle daha da popüler hale gelmektedir. Drone’ların popüler olması ve tarımda kullanımı, tarım dışı farklı disiplinlerden olanların da ilgisini çekmektedir. Farklı disiplinlerde olanların tarım konusundaki bazı teknik bilgilerinin yetersiz olmasından dolayı, drone’un tarımda kullanımı ile ilgili yanlış bilgiler veya efektif olmayan kullanımlar da oluşabilmektedir. Bu çalışmada, drone ve bileşenleri, drone’un avantaj ve dezavantajları, drone ile kullanılabilen kamera ve sensörler hakkında bilgiler verilmiştir. Daha sonra günümüzde tarımda drone kullanım alanları örnek uygulamalar ile açıklanmış ve gelecekte tarımda drone kullanımı ile öngörüler sunulmuştur. Ayrıca drone’un tarımda kullanımı ile bazı yanlış bilgiler ve efektif olmayan kullanımlar hakkında açıklamalar yapılmıştır.