Termal görüntü çoğaltımı için kimlik bloğu korunumu ile üretilen çekişmeli ağlarda yeni çift meta-sezgisel kayıp fonksiyonları kullanılarak geliştirilmiş pirinç yaprağı hastalığı tespiti

Niçin Pirinç Yaprakları ve Isı Kameraları Önemli

Pirinç insanlığın yarısından fazlasını besliyor; bu yüzden ürün korumada yapılan küçük iyileştirmeler bile gıda güvenliği üzerinde büyük etkiler yaratabilir. Birçok pirinç hastalığı, yapraklarda kahverengi lekeler veya sarı çizgiler belirginleşmeden önce bitki içinde sessizce başlar. Bu çalışma, küçük sıcaklık değişimlerini algılayabilen termal kameraları gelişmiş bir yapay zeka yöntemiyle birleştirmenin, pirinç yaprağı hastalıklarını daha erken ve daha güvenilir şekilde tespit edebileceğini gösteriyor; bu da çiftçilerin verimi korumasına ve daha az kimyasal kullanmasına yardımcı oluyor.

Isıyla Görünmeyeni Görmek

Pirinç bitkisi hastalandığında, sıcaklık desenleri ince şekillerde değişir. Yaprağın bazı bölgeleri, enfeksiyonlar veya böcek zararları su akışı ve metabolizmayı bozdukça yalnızca bir-iki derece kadar ısınabilir. Araştırmacılar bu fikri temel alarak Hindistan’da beş ana hastalığı ve sağlıklı bitkileri kapsayan 636 pirinç yaprağını elde taşınan bir termal kamerayla fotoğrafladılar. Her görüntü yaprak yüzeyi boyunca sıcaklığı kaydederek, insan gözü fark etmeden önce sorunu ortaya çıkarabilecek renkli haritalara dönüştürüyor.

Daha Fazla ve Daha İyi Veri Neden Gereklidir

Günümüzün hastalık algılayıcıları derin öğrenme ile çalışır—binlerce örnekteki desenleri öğrenen bilgisayar modelleri. Ancak gerçek çiftlik koşullarında her hastalık için, her aşamada, her hava koşulunda büyük ve çeşitli termal görüntü veri kümeleri toplamak zor ve maliyetlidir. Görüntüleri döndürme veya ayna çevirme gibi basit yükseltmeler veriyi sınırlı ölçüde genişletebilir ve genellikle en önemli sıcaklık desenlerini bulanıklaştırır veya bozabilir. Yazarlar, sınıflandırma modellerinin laboratuvarla sınırlı kalmayıp gerçek tarlalarda da daha iyi performans göstermesi için bol ve güvenilir sentetik termal görüntüler oluşturmayı amaçladılar.

Sinyale Saygı Gösteren Doğadan Esinlenen Yapay Zeka

Çalışmanın merkezinde, gerçekçi görünen yeni görüntüler oluşturmayı öğrenen bir üretilen çekişmeli ağ (GAN) bulunuyor. Standart eğitim kuralları yerine ekip, geleneksel kayıp fonksiyonlarını iki biyodan esinlenmiş optimizasyon yöntemiyle değiştirdi. Hayalet midye larvalarının (Chaoborus) avlanma davranışından modellenen ilk yöntem, eksik veya gürültülü pikselleri “tamamlama”ya ve yaprak boyunca düzgün ama gerçekçi sıcaklık gradyanlarını korumaya odaklanıyor. İkinci yöntem ise Avustralya kerevitlerinin bölge savunma ve beslenme davranışından ilham alarak komşu pikseller arasındaki ilişkileri korumaya, sıcak ve soğuk bölgelerin fiziksel olarak tutarlı biçimde hizalanmasına yoğunlaşıyor. Kimlik (identity) “kestirme” blokları ağ boyunca örülerek, görüntüler geliştirilirken temel hastalık imzalarının değişmeden iletilmesi sağlanıyor.

Daha Keskin Sentetik Görüntüler, Daha Güçlü Teşhisler

Bu çift strateji ile GAN, StyleGAN2 ve BigGAN gibi bilinen üreticilerden elde edilenlerden belirgin şekilde daha gerçekçi termal yaprak görüntüleri üretti. Tepe Sinyal-Gürültü Oranı (PSNR) ve Yapısal Benzerlik (SSIM) gibi kalite puanları belirgin şekilde yükseldi ve özel ölçümler kritik sıcaklık gradyanları ile hastalık desenlerinin daha iyi korunduğunu doğruladı. Bu sentetik görüntüler birkaç hastalık tespit modeli için eğitim havuzuna eklendiğinde doğruluk dramatik şekilde arttı: önde gelen bir Vision Transformer modeli, orijinal veride yaklaşık %83’ten yeni çoğaltma ile neredeyse %98’e yükseldi; ResNet, EfficientNet ve DenseNet mimarilerinde de benzer güçlü kazanımlar görüldü.

Bilgisayar Tezgâhından Pirinç Tarlasına

Yazarlar kıyaslamaların ötesine geçerek sistemlerini dört Hint eyaletinde toplanan 44.000’den fazla saha görüntüsünde test ettiler. Tam boru hattı—termal görüntüleme, çift meta-sezgisel GAN ile geliştirme ve otomatik sınıflandırma—gerçek dünya koşullarında yaklaşık %95 doğruluk sağladı; hem yanlış alarmlar hem de kaçırılan tespitler düşük tutuldu. Yöntem farklı sıcaklıklar, nem seviyeleri, günün farklı saatleri, çeşitli pirinç çeşitleri ve dış veri kümeleri altında da dayanıklılığını korudu. Basitçe ifade etmek gerekirse, çalışma özenle tasarlanmış, doğadan ilham alan yapay zekanın yalnızca gerçekçi değil, aynı zamanda saha koşullarında hastalık algılayıcılarını daha güvenilir kılacak “ek” termal görüntüler üretebileceğini; böylece çiftçilere dünyanın en önemli ürünlerinden birine yönelik tehditlere karşı daha erken ve daha doğru bir uyarı sistemi sunduğunu gösteriyor.

Atıf: Khalil, H.M., Elrefaiy, A., Elbaz, M. et al. Enhanced paddy leaf disease detection using novel dual metaheuristic loss functions in generative adversarial networks with identity block preservation for thermal image augmentation. Sci Rep 16, 6544 (2026). https://doi.org/10.1038/s41598-026-36477-3

Anahtar kelimeler: pirinç hastalığı tespiti, termal görüntüleme, üretilen çekişmeli ağlar, tarımsal yapay zeka, veri çoğaltma