Tek çekirdekli görüntüleme kullanarak buğday çeşidi tanımlamak için makine öğrenimi yaklaşımı

Neden daha akıllı tohum ayırma önemli

Çiftçiler ve tohum şirketleri için bir buğday çeşidini diğerinden ayırt etmek hayati öneme sahiptir. Yanlış türün ekilmesi daha düşük verim, zayıf hastalık direnci ve yerel toprak veya iklime uygun olmayan ürünler anlamına gelebilir. Buna karşın çıplak gözle farklı buğday çeşitleri neredeyse aynı görünür. Bu çalışma, yapay zekâ ile tek tohumun dijital fotoğraflarını kullanarak birbirine yakın çeşitleri güvenilir biçimde ayırt etmenin yollarını araştırıyor; bu da daha hızlı, daha ucuz ve daha nesnel tohum kalite kontrolüne kapı açıyor.

Uzman gözlemlerinden kamera tabanlı kontrole

Günümüzde birçok tohum denetim sistemi hâlâ çeşit ve saflık için tohumları görsel olarak değerlendiren insan uzmanlara dayanıyor. Bu süreç yavaş, maliyetli ve özellikle birçok buğday çeşidinin yalnızca şekil veya yüzey desenindeki ince farklılıklarla ayrıldığı durumlarda fikir ayrılığına açık. Yazarlar, bu öznel yaklaşımı, küçük, ışık kontrollü bir kutuda çekilen tek buğday tanesinin görüntülerini kullanan otomatik bir sistemle değiştirmeyi amaçladı. Aydınlatma, mesafe ve arka plan rengini titizlikle standartlaştırarak altı yaygın İran buğday çeşidinin temiz bir görsel kaydını oluşturdular ve bilgisayar modellerini eğitmek ve test etmek için on binlerce tohum fotoğrafı ürettiler.

Bilgisayara tohumu “görmeyi” öğretmenin iki yolu

Çalışma, bir makineye buğday çeşitlerini tanımayı öğretmenin iki geniş stratejisini karşılaştırıyor. İlkinde araştırmacılar her tohum görüntüsünden elle hazırlanmış 58 sayısal ölçüm çıkardı; bunlar temel şekil ölçümleri (uzunluk ve alan gibi), farklı renk uzayları üzerindeki renk istatistikleri ve doku desenlerini içeriyordu. Ardından bu ölçümleri ana bileşen analizi adı verilen bir teknikle 27 ana özelliğe yoğunlaştırdılar ve bunları çok katmanlı algılayıcı adı verilen geleneksel bir sinir ağına beslediler. İkinci stratejide ise manuel özellik tasarımını atladılar ve görüntü odaklı yapay zekâ modelleri olan konvolüsyonel sinir ağlarını ham piksel verisinden yararlı desenleri doğrudan öğrenmeleri için eğittiler.

İnce ama güçlü bir derin öğrenme modeli oluşturmak

Derin öğrenme yaklaşımı birkaç biçimde test edildi. Yazarlar, iki ila dört yığılmış konvolüsyon bloğuna sahip nispeten küçük bir ağ tasarladı ve öğrenme oranı, dropout düzeyleri ve batch boyutları gibi farklı eğitim ayarlarıyla denemeler yaptılar. Ayrıca ağı sonlandırmanın iki yolunu karşılaştırdılar: klasik “tam bağlı” katman ile büyük yoğun katmanları sınıflandırmadan önce basit bir ortalama adımıyla değiştiren daha kompakt bir yöntem olan global ortalama havuzlama. Karşılaştırma için, aynı buğday veri kümesi üzerinde iki ağır, yaygın kullanılan mimariyi—Inception-ResNet-v2 ve EfficientNet-B4—ince ayar yaparak, özel küçük bir modelin derin, genel amaçlı ağlara karşı nasıl performans gösterdiğini gördüler.

Sistemin tanımlamadaki başarısı

En iyi performansı sergileyen, global ortalama havuzlama kullanan özel olarak geliştirilen konvolüsyonel ağ oldu. Bu ağ buğday çeşitlerini yaklaşık %92 doğrulukla tanımladı ve tekrarlı eğitim çalışmaları arasında çok istikrarlı sonuçlar gösterdi. Bu model yalnızca büyük önceden eğitilmiş ağları geride bırakmakla kalmadı, aynı zamanda boyut indirgeme uygulandıktan sonra yaklaşık %86 doğruluğa ulaşan elle hazırlanmış özellik yaklaşımını da aştı. Karışıklık desenlerinin analizi, daha hafif modelin çok benzer görünen çeşitleri ayırmada özellikle iyi olduğunu gösterirken, daha derin transfer öğrenme modellerinin sınırlı veri kümesine aşırı uyum sağlama eğiliminde olduğunu ortaya koydu. Önemli olarak, kazanan ağ verimliydi: her tohum görüntüsünü yaklaşık 13,6 milisaniyede işledi ve yalnızca yaklaşık 2,1 milyon ayarlanabilir parametre içeriyordu; bu da onu düşük maliyetli, gerçek zamanlı ayırma ekipmanlarında kullanım için gerçekçi kılıyor.

Sınırlamalar, gerçek dünya kullanımı ve sonraki adımlar

Aynı model tamamen farklı bir üründe—nohut tohumlarında—test edildiğinde doğruluğu keskin şekilde düştü; bu, buğday taneleri arasındaki ince farklılıklara göre ayarlanmış bir sistemin otomatik olarak diğer türlere genellenmediğini gösteriyor. Benzer şekilde, tüm eğitim görüntüleri titizlikle kontrol edilmiş bir odadan geldiği için, değişken saha aydınlatmasında veya kısmen gizlenmiş tanelerle performans düşebilir. Yine de, çalışma standartlaştırılmış tek tohum görüntüleriyle beslenen kompakt, iyi tasarlanmış bir derin öğrenme modelinin gözle neredeyse ayırt edilemeyen buğday çeşitlerini güvenilir şekilde ayırabileceğini gösteriyor. Daha geniş eğitim verileri ve daha çeşitli görüntüleme koşulları ile benzer sistemler otomatik tohum sertifikasyonu için pratik araçlar haline gelebilir; çiftçilerin daha saf tohum partileri ve daha öngörülebilir hasatlar sağlamasına yardımcı olabilir.

Atıf: Bagherpour, H., Shamohammadi, S. Machine learning approach for wheat variety identification using single-seed imaging. Sci Rep 16, 6472 (2026). https://doi.org/10.1038/s41598-026-35252-8

Anahtar kelimeler: buğday tohumları, derin öğrenme, görüntü tabanlı sınıflandırma, tohum kalitesi, hassas tarım