İnce Taneli Fenotiplendirme için Domates Çok Açılı Çok Pozlu Veri Kümesi

Neden Domatesler ve Akıllı Kameralar Önemli

Domatesler sadece bir salata malzemesi değildir; dünya çapında en önemli ürünlerden biri ve bitki biliminin vazgeçilmez bir öğesidir. Islahçılar ve araştırmacılar, yaprakların nasıl büyüdüğünden çiçeklerin ne zaman açıldığına, meyvelerin nasıl renk değiştirdiğine kadar domates bitkilerini sürekli ayrıntılı biçimde inceler—daha dayanıklı, lezzetli ve dirençli çeşitler yaratmak için. Ancak bu yakın inceleme genellikle gözle yapılır; bu da yavaş, tekrarlanması zor ve gözlemciler arasında farklılık gösterebilen bir yaklaşımdır. Bu makale, bilgisayarların bitkileri birçok açıdan incelemesine olanak tanıyan, insan tahminini bitki değerlendirmesinden çıkarmaya yardımcı olan, büyük ve dikkatle tasarlanmış bir domates görüntü koleksiyonu olan TomatoMAP’i tanıtıyor.

Domates Büyümesinin Yeni Bir Görüntü Kütüphanesi

TomatoMAP, kültüre alınmış domates, Solanum lycopersicum üzerine odaklanan kapsamlı bir görüntü veri kümesidir. 101 serada yetiştirilen bitkinin beş aydan fazla süredeki yaşamını kapsayan 68.080 renkli fotoğraf içerir. Birkaç anlık görüntü yerine, her bitkinin farklı aşamalarda—çiçeklenme ve meyve olgunlaşması gibi—büyümesi boyunca tekrar tekrar fotoğrafları çekilmiştir. Her görüntü için uzmanlar zengin etiketler sağlar: yapraklar, çiçek kümeleri, meyve kümeleri, sürgünler ve diğerleri olmak üzere yedi ana ilgi alanını işaretleyen basit kutular ve ziraat uzmanlarının yaygın olarak kullandığı standart bir ölçeğe dayanan büyüme aşaması etiketleri. Ayrı bir yakın plan görüntü setinde ise bireysel tomurcuklar, çiçekler ve meyveler tek piksel düzeyine kadar konturlandırılmıştır; bu da son derece ince taneli analizlere izin verir.

Bitkileri Her Yandan Görmek

Bu veri kümesini toplamak için araştırmacılar, dönen bir platform ile dört eşzamanlı kamerayı birleştiren özel bir görüntüleme istasyonu kurdu. Kontrollü sera koşullarında yetiştirilen domates bitkileri döner tabla üzerine yerleştirilir ve tam bir turu tamamlamak için 30 derecelik adımlarla döndürülür. Her adımda, dört yükseklik ve açıya yerleştirilmiş kameralar aynı anda görüntü alır ve aynı bitkinin pozunun çok açılı bir görünümünü üretir. 163 günden fazla sürede, bu düzen büyüme aşaması sınıflandırması ve organ tespiti için 64.000’den fazla orta çözünürlüklü görüntü ve ayrıntılı segmentasyon için 3.616 yüksek çözünürlüklü yakın plan üretti. Bu çoklu-görünüm tasarımı, yaprakların nasıl üst üste bindiği veya çiçek ve meyve kümelerinin nasıl düzenlendiği gibi üç boyutlu yapıyı korur; bu tür bilgiler tek, düz görüntülerle yakalanması zor olan niteliklerdendir.

Bilgisayarlara Bitki Özelliklerini Okutmak

TomatoMAP yalnızca bir fotoğraf galerisi değildir; aynı zamanda modern yapay zeka için bir test alanıdır. Ekip, seralarda gerçek zamanlı kullanım potansiyeli göz önünde bulundurularak seçilmiş hafif ve hızlı bilgisayarlı görü modellerini eğitti ve değerlendirdi. Kompakt bir görüntü sınıflandırma ağı bitki büyüme aşamalarını atamayı öğrendi. Verimli bir nesne tespit modeli her karede yapraklar, çiçek kümeleri ve meyve kümeleri gibi bitki parçalarının yerini tespit etmeyi öğrendi. Yakın plan görüntüler için bir örnek-segmentasyon modeli bireysel tomurcukların, çiçeklerin ve meyvelerin hassas konturunu izledi ve boyut ile renge dayanarak gelişimin erken ve geç aşamalarını ayırt etti. Yazarlar, bu modellerin özellikle daha büyük çiçekler ve meyveler için yüksek doğruluğa ulaştığını ve sürekli izleme için pratik olacak kadar hızlı çalışabildiğini gösteriyor.

Adım Adım Dijital Bir İş Akışı Oluşturmak

Otomatik fenotiplendirmeyi daha güvenilir hale getirmek için araştırmacılar üç düzeyli bir “kademeli” iş akışı tasarladı. Birincisi, veriler basit bütün-bitki görüntülerinden ayrıntılı segmentasyonlara doğru düzenlenir. İkincisi, modeller bir zincir halinde düzenlenir: bir büyüme-aşaması sınıflandırıcısı hangi bitkilerin veya zaman noktalarının bir detektöre iletileceğini belirler; detektör daha sonra segmentasyon modelinin incelemesi için en ilgili bölgeleri vurgular. Son olarak, tüm modellerin çıktıları her bitkinin sahip olduğu özelliklerin, örneğin kaç meyve bulunduğu ve hangi aşamalarda oldukları gibi, birleştirilmiş bir tanımına dönüştürülür. Verileri ve modelleri bu şekilde yapılandırarak hataların katlanarak büyümesi daha az olası hale gelir ve her adım tüm sistemi yeniden kurmadan geliştirilebilir veya değiştirilebilir.

Makineler İnsan Gözüyle Ne Kadar Uyumlu

İnsan uzmanlar her zaman birbirleriyle tam olarak aynı fikirde olmadığı için ekip, yapay zeka modelleri ile uzmanlar arasındaki uyumu dikkatle kontrol etti. Beş uzman tarafından bağımsız olarak etiketlenen yüzlerce görüntü ile eğitilmiş bir tespit modelinin etiketleri karşılaştırıldı. Standart bir uyum ölçüsü kullanılarak yapılan değerlendirmede hem uzman–uzman hem de AI–uzman karşılaştırmaları “neredeyse kusursuza yakın” tutarlılık gösterdi. Bu, en azından burada incelenen yapı ve aşamalar için otomatik yöntemlerin yorgunluk ve tutarsızlıktan kaçınırken eğitimli insan gözlemcilerin güvenilirliğiyle eşleşebileceğini öne sürüyor.

Gelecek Ürünler İçin Anlamı

TomatoMAP, doğru görüntüleme düzeni ve dikkatli anotasyon ile bilgisayarların domates büyümesini birçok açıdan ayrıntılı şekilde izleyebileceğini ve bunu uzman değerlendirmesine yakın bir biçimde yapabileceğini gösteriyor. Bitki ıslahçıları ve çiftçiler için bu, yeni çeşitlerin ve yetiştirme koşullarının meyve yükünü değerlendirmekten bitki mimarisindeki ince farkları tespit etmeye kadar daha hızlı, daha nesnel taramalara kapı açıyor. Bazı bitki organlarının hâlâ mükemmel yakalanmasının daha zor olduğu ve modellerin belirli cihazlara uyarlanması için daha fazla çalışma gerektiği doğru olsa da, bu veri kümesi ölçeklenebilir ve önyargıyı azaltan dijital fenotiplendirme için bir temel atıyor; bu da sera deneylerinden soframıza daha dirençli ve verimli ürünlerin gelmesine yardımcı olabilir.

Atıf: Zhang, Y., Struckmeyer, S., Kolb, A. et al. Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping. Sci Data 13, 309 (2026). https://doi.org/10.1038/s41597-026-06926-9

Anahtar kelimeler: domates fenotiplendirmesi, bitki görüntüleme, çoklu-görünüm veri kümesi, tarımda bilgisayarlı görü, ürün ıslahı