Sağlam domates hastalığı tespiti ve sınıflandırması için hibrit derin öğrenme ve bulanık mantık çerçevesi

Akıllı domates bakımı neden önemli

Domatesler dünya mutfaklarının temel gıdalarındandır, ancak bitkileri beklenmedik şekilde hassastır. Yaprak hastalıkları ve besin eksiklikleri gibi uzun bir liste tarlada sessizce yayılabilir, verimi azaltabilir ve çiftçileri daha fazla pestisit harcamaya zorlayabilir. Bu sorunları erken fark etmek zordur; özellikle tarlalarda yaygın olduğu gibi yaprak fotoğrafları kötü ışıkta veya düşük kaliteli kameralarla çekildiğinde. Bu makale, görüntüler kusurlu olsa bile domates yaprak hastalıklarını fotoğraflardan güvenilir şekilde tanımayı amaçlayan bir yapay zekâ (YZ) sistemi sunuyor; bu da daha ucuz, daha hızlı ve daha sürdürülebilir bir ürün bakımına giden yolu açıyor.

Hastalıklı yaprakları okumadaki zorluk

Domates bitkileri birçok benzer görünen sorundan muzdarip olabilir: mantar kaynaklı yanıklar, bakteriyel lekeler, viral enfeksiyonlar, böcek zararları ve azot ya da magnezyum gibi besin eksiklikleri. Yapraklarda bu sorunlar sıklıkla örtüşen lekeler, yamalar, kıvrılmalar veya renk değişimleri şeklinde görülür ve uzmanlar için bile kafa karıştırıcı olabilir. Bitki tanısı için kullanılan geleneksel bilgisayar programları genellikle tek tip bir sinir ağına ve dikkatle kontrol edilmiş görüntülere dayanır. Gölge veya parlak güneş altında, odak bulanıkken, arka plan dağınık olduğunda veya bazı hastalıkların eğitim verilerinde çok daha az örneği olduğunda başarısız olmaya eğilimlidirler.

Üç “bakış açısını” tek bir kararda birleştirmek

Bu sınırlamaları aşmak için yazarlar, ResNet-50, EfficientNet-B0 ve DenseNet-121 olmak üzere üç farklı derin öğrenme modelini birleştiren hibrit bir sistem inşa ediyor. Her model aynı yaprak görüntüsüne kendi “bakışını” sunuyor: biri yaprak yüzeyindeki ince ayrıntıları yakalamada çok iyi, diğeri görüntü boyutu ve keskinliği arasında iyi bir denge kuruyor, bir başkası ise faydalı özellikleri yeniden kullanarak aşırı uyumu önlüyor. Sistemin tek bir modele güvenmek yerine bir uzman paneli gibi davranması sağlanıyor. Her fotoğraf için üçü de tercih ettikleri teşhisi ve bir güven skoru üretiyor. Bu çıktılar daha sonra basitçe oylama yapmayan, her bir uzmanın hem geçmiş genel doğruluğuna hem de bu özel görüntüde ne kadar emin olduğuna göre ne kadar güvenileceğini ayarlayan bir bulanık mantık modülüne besleniyor.

Az ve dağınık veriden en iyi şekilde yararlanmak

Böyle sistemleri eğitmedeki büyük engellerden biri bazı domates hastalıklarının nadir olmasıdır; bu nedenle bu hastalıklara ait fotoğraflar çok daha azdır. Yazarlar bunu, belirli hastalık etiketleri için gerçekçi yeni yaprak fotoğrafları oluşturmayı öğrenen koşullu Generative Adversarial Network (C-GAN) kullanarak aşıyorlar; örneğin “bakteriyel leke” veya “mozaik virüs” gibi etiketlerle. Görüntüleri döndürme veya çevirme gibi basit numaralardan farklı olarak C-GAN, aydınlatma, gürültü ve çözünürlükteki gerçek dünya çeşitliliğini taklit eden yeni örnekler üretiyor. Bu sentetik görüntüler, düz arka planlı laboratuvar görüntüleri ve doğal koşullarda çekilmiş saha fotoğrafları da dahil olmak üzere birkaç açık veri kümesinden elde edilen standart kamera fotoğraflarıyla karıştırılıyor. Sonuç, çok daha zengin ve dengeli bir eğitim seti; sistem artık yaygın hastalıklara ağır basmıyor ve kötü görüntü kalitesiyle başa çıkmayı öğreniyor.

Bulanık karar katmanı güvenilirliği nasıl artırıyor

Bulanık mantık, topluluğu bir arada tutan yapıştırıcıdır. Sistemde her bir sinir ağına sabit ağırlıklar atamak yerine, model doğruluğu ve güven için “düşük,” “orta” ve “yüksek” gibi basit dilsel kategoriler kullanılıyor. Ardından kompakt bir kural seti uygulanıyor—eğer bir model genelde doğruysa ve şu anda çok eminse, oyununun ağırlığı fazla olur; eğer emin değilse veya tarihsel olarak daha zayıfsa, etkisi azaltılır. Bu dinamik ağırlıklandırma her bir görüntü için ayrı ayrı gerçekleşir. Hastalıklar benzer desenler paylaştığında veya yaprağın bir bölümü gizli olduğunda olduğu gibi zor vakalarda, bulanık katman aşırı kendinden emin ama güvenilmez bir modelin nihai cevabı domine etmesini engeller. Yaygın olarak kullanılan PlantVillage veri kümesi ve birkaç saha veri kümesi üzerindeki testlerde, bu yaklaşım yaklaşık %99 doğruluk ve çok düşük yanlış sınıflandırma oranı elde ederek birçok son tek-modelli ve sabit-topluluk yöntemini açıkça geride bırakmıştır.

Laboratuvar başarısından tarlada kullanılabilir bir yardımcıya

Uzman olmayanlar için ana sonuç, sistemin akıllı telefonlar veya düşük maliyetli kameralar kullanan çiftçiler için dikkatli bir ikinci görüş görevi görebileceğidir. Üç tamamlayıcı sinir ağını akıllıca birleştirerek, nadir hastalık örneklerini gerçekçi sentetik görüntülerle zenginleştirerek ve belirsizliği bulanık mantıkla yumuşatarak, çerçeve gürültülü, sıkıştırılmış veya kısmen örtülmüş görüntülerde bile domates yaprağı problemlerini dikkat çekici bir güvenilirlikle tespit edebiliyor. Yazarlar ayrıca nihai modelin mütevazı donanımda yeterince hızlı çalışabileceğini gösteriyor; bu da onu saha uygulamaları veya düşük maliyetli cihazlar için pratik bir yapı taşı yapıyor. Özünde çalışma, birkaç YZ fikrini—derin öğrenme, görüntü üretimi ve bulanık akıl yürütmeyi—üst üste koymanın ham yaprak fotoğraflarını domates mahsulünü korumaya yönelik güvenilir, zamanında rehberliğe nasıl dönüştürebileceğini gösteriyor.

Atıf: Kumar, S., Sharma, Y.K., Kumar, M. et al. A hybrid deep learning and fuzzy logic framework for robust tomato disease detection and classification. Sci Rep 16, 7002 (2026). https://doi.org/10.1038/s41598-026-36524-z

Anahtar kelimeler: domates yaprak hastalığı, derin öğrenme, bulanık mantık, GAN veri artırma, kesin tarım