Gerçek zamanlı pamuk böceği tespiti için mekânsal piramit havuzlamalı geliştirilmiş YOLO12

Neden küçük böcekleri fark etmek önemli

Pamuk basit bir bitki gibi görünse de küresel rolü çok büyük: milyarlarca insanı giydirir, milyonlarca işe destek olur ve yemeklik yağdan kozmetiğe kadar pek çok sanayiyi besler. Yine de bir tarladaki pamuklar, pirinç tanesinden zar zor büyük böcekler tarafından sessizce zayıflatılabilir. Çiftçiler genellikle bu zararlılarla başa çıkmak için sık sık tarlada gezip yoğun pestisit kullanmaya dayanır—bu yöntemler zaman alıcı, maliyetli ve çevre için zararlıdır. Bu çalışma, yeni bir yapay zeka biçiminin pamuk tarlalarını gerçek zamanlı izlemesini, yapraklardaki zararlı böcekleri otomatik olarak tespit etmesini ve böylece müdahalelerin daha hedefli ve çok daha az israfla yapılmasını nasıl sağlayabileceğini araştırıyor.

Elle keşiften akıllı kameralara

Bugün birçok çiftçi veya saha işçisi hâlâ pamuk sıralarında yürüyüp yaprakları ve çiçekleri zararlılar açısından görsel olarak kontrol ediyor. Bu yaklaşım insan yorgunluğu, düzensiz kapsama ve değişen ışık ve hava koşullarıyla sınırlı. Çoğunlukla programa göre uygulanan geniş spektrumlu pestisitler, ihtiyaç doğrultusunda değil de rutin olarak püskürtüldüğünde faydalı böcekleri öldürebilir, toprağı ve suyu kirletebilir ve üretim maliyetlerini artırabilir. Yazarlar, daha sürdürülebilir bir yolun bilgisayarların tarladan çekilmiş fotoğraflarda böcekleri doğrudan “görmesine” izin vermek olduğunu; böylece çiftçilere zararlıların bulunduğu yerlere hassas şekilde odaklanabilen otomatik bir erken uyarı sistemi sağlanabileceğini savunuyorlar.

Bilgisayarlara küçük böcekleri öğretmek

Böyle bir sistemi kurmak için araştırmacılar, görüntülerdeki desenleri tanımada başarılı olan yapay zekâ dalı olan derin öğrenmeye başvurdular. Görüntüyü saniyeler içinde tarayıp nesnelerin etrafına kutular çizebilen YOLO (“You Only Look Once”) adlı model ailesini kullandılar. En son YOLO12 modelinden yola çıkarak pamuk zararlıları için özel olarak uyarlanmış yeni, geliştirilmiş bir versiyon oluşturdular. Öncelikle gerçek pamuk tarlalarından alınmış 3.225 fotoğraftan oluşan yüksek kaliteli açık bir veri setini derleyip düzelttiler; kırmızı uğur böcekleri, kokarca türleri ve koza kurdu (bollworm) gibi 13 yaygın böcek türünü kapsıyor. Orijinal etiketleri modelin okuyabileceği standart bir formata dönüştürdüler ve yapay zekânın en yaygın türlere karşı önyargılı olmaması için her böcek sınıfı başına görüntü sayısını dikkatle dengelediler.

Küçük böcekleri öne çıkarmak

Yapraklardaki böcekleri tespit etmek, arabalar veya insanlar gibi büyük nesneleri fark etmekten çok daha zordur. Böcekler küçüktür, sıkça kamufle olurlar ve birçok ölçek ve açıyla görünebilirler. Bunu ele almak için ekip, YOLO12 mimarisini birkaç yönden geliştirdi. Modelin hem ince ayrıntıları yakalamasına hem de genel sahneyi anlamasına yardımcı olacak özel yapılar eklediler. Bir “mekânsal piramit havuzlama” modülü, ağın aynı bölgeye eş zamanlı olarak birden çok ölçekte bakmasına izin veriyor; bu, aynı görüntüde hem çok küçük hem de biraz daha büyük böcekleri görebilmek için kritik önemde. Ardından bir dikkat mekanizması, modelin en bilgilendirici bölümleri—biri böceği diğerinden ayıran ince şekiller, renkler ve dokular—üzerine vurgu yapmasına ve arka plan karmaşasını göz ardı etmesine yardımcı oluyor.

Modelleri teste sokmak

Yazarlar tek bir model önermekle kalmadı; standart YOLO11 ve YOLO12 ile birkaç özel varyantı içeren altı farklı YOLO tabanlı tasarım geliştirdiler ve karşılaştırdılar. Adil bir karşılaştırma sağlamak için hepsi aynı pamuk böceği veri seti üzerinde eğitildi ve test edildi. Öne çıkan model olan Geliştirilmiş Hibrit YOLO12, tespit kalitesinin standart ölçütlerinde çok yüksek skorlar elde etti; böcekleri ne sıklıkla doğru bulduğunu ve sınırlayıcı kutuları ne kadar isabetle çizdiğini dengeliyordu. Orijinal YOLO12 ile karşılaştırıldığında, genel tespit kalitesini ve çeşitli test koşullarındaki tutarlılığı artırdı; aynı zamanda modern grafik donanımında gerçek zamanlı kullanım için yeterince hızlı çalıştı. Bu geliştirilmiş model hesaplama açısından biraz daha ağır olsa da yazarlar, güvenilirlikteki artışın gerçek dünya tarımında özellikle değerli olduğunu gösteriyorlar.

Çiftçiler ve çevre için anlamı

Basitçe söylemek gerekirse, çalışma bir kamera ve eğitilmiş bir yapay zeka modelinin yorulmak bilmeyen dijital bir gözcü gibi davranabileceğini; pamuk yapraklarını gece gündüz zararlılar açısından tarayabileceğini gösteriyor. Geliştirilmiş Hibrit YOLO12 sistemi önceki sürümlere göre yanlış alarmlardan daha iyi kaçındığı için, çiftçilerin yalnızca böceklerin gerçekten bulunduğu yerlerde ve zamanlarda ilaçlama yapmasına yardımcı olabilir; bu da kimyasal kullanımını azaltır, para tasarrufu sağlar ve faydalı türler ile çevre üzerindeki zararı azaltır. Modelin daha düşük maliyetli cihazlarda çalıştırılması ve daha fazla böcek türü ile yetiştirme bölgesine genişletilmesi için ek çalışmalara ihtiyaç olsa da bu araştırma, hassas tarımın zararlı kontrolünü tahminden veri odaklı eyleme dönüştürdüğü bir geleceğe işaret ediyor.

Atıf: Saif, D., Askr, H., Sarhan, A.M. et al. Enhanced YOLO12 with spatial pyramid pooling for real-time cotton insect detection. Sci Rep 16, 4806 (2026). https://doi.org/10.1038/s41598-026-35747-4

Anahtar kelimeler: pamuk zararlıları, kesin tarım, derin öğrenme, nesne tespiti, sürdürülebilir tarım