Makine öğrenimi uygulamaları için bilgi tabanlı etiketleme ile otomatik yabancı ot segmentasyonu

Neden daha akıllı yabancı ot kontrolü önemli

Yabancı otlar dünya gıdasının büyük bir kısmını sessizce çalıyor. Ekinleri sıkıştırıyor, verimi düşürüyor ve çiftçileri hem maliyet hem çevre açısından pahalı olan daha fazla herbisit püskürtmeye itiyor. Bu çalışma, dronlar ve akıllı görüntü analizi kullanarak kimsenin zahmetli şekilde bitkileri elle etiketlemesine gerek kalmadan buğday tarlalarındaki yabancı otları otomatik olarak nasıl haritalandırabileceğini gösteriyor. Bu tür bir otomasyon, daha hassas püskürtme için gereken araçları hızlandırarak kimyasal kullanımını azaltırken hasadı yüksek tutma imkanı sağlayabilir.

Genel püskürtmelerden nokta atışı hedeflemeye

Dünya genelinde, etkili yabancı ot kontrolü olmayan tarlalar potansiyel verimlerinin beşte birinden neredeyse tamamına kadarını kaybedebilir. Kanada’nın prairie eyaletleri gibi yerlerde herbisit maliyetleri yıllık yüz milyonlar düzeyine ulaşıyor ve herbiside dirençli yabancı otlar yayılıyor. Yeni “hassas tarım” araçları, tüm tarlayı topluca işlemek yerine yalnızca yabancı otların gerçekten bulunduğu yerlere püskürtmeyi amaçlıyor. Bunu yapabilmek için makinelerin önce doğru yabancı ot haritalarına ihtiyacı var ve modern yaklaşımlar görüntünün her pikseline bakan makine öğrenimi modellerine dayanıyor. Engel, bu modellerin genellikle insanlar tarafından tek tek görüntülerde yabancı otların çevrelerini çizmek suretiyle oluşturulan büyük, özenle etiketlenmiş eğitim veri setlerine ihtiyaç duymasıdır. Bu çalışma şu soruyu soruyor: bu elle etiketleme adımını tamamen atlayabilir miyiz?

Buğday ve yabancı otlara dron perspektifi

Araştırmacılar Kanada’nın Saskatoon yakınlarındaki 2.000 metrekarelik deneysel bir buğday tarlasında çalıştı. Buğday düzgün sıralar halinde ekilmişti ve kochia, yabani yulaf, yabani hardal ve yanlış çivit gibi birkaç yabancı ot türünün şeritleri kasıtlı olarak ekin sıraları arasına ekilmişti. Yüksek çözünürlüklü RGB kamerayla donatılmış bir dron yere 10 metre yüksekte uçarak her pikselin saha yüzeyinde bir milimetreden daha azı temsil edecek kadar detaylı görüntüler yakaladı. Bu görüntüler tek bir “ortofoto”da birleştirildi; temelde tarlanın hassas, harita benzeri bir fotoğrafıydı ve otomatik bir bilgisayar iş akışının girdisi oldu.

Renk ve şekli otomatik etiketlere dönüştürmek

Bininlerce elle etiketlenmiş örnekle derin öğrenme modeli eğitmek yerine ekip, uzman görüntü analiz yazılımı içinde bilgi tabanlı bir boru hattı (pipeline) kurdu. Önce, bitkileri kahverengi toprak arka plana karşı vurgulayan basit renk formülleriyle görüntü güçlendirildi. Fazla Yeşil İndeks gibi indeksler ve Bitki Rengi İndeksi gibi renk indeksleri birleştirilerek bitki örtüsü çıplak topraktan temiz şekilde ayrıldı. Sonra sistem, buğday yapraklarının ve sıra düzeninin şekil ve yönüne uyan uzun, ince, çizgiye benzer özellikleri aradı. Görüntüyü birçok açıda tarayarak ve tekrarlayan yapıları vurgulayan konvolüsyon filtreleri—matematiksel kayan pencereler—uygulayarak iş akışı ekin sıralarının nerede olduğunu, buna karşılık yabancı otların sıralar arasında veya içinde nerede olacağını belirleyebildi.

Piksellerden elle çizim olmadan yabancı ot haritalarına

Ekin sıraları ve bitkiyle kaplı alanlar belirlendikten sonra yazılım her pikseli üç sınıftan birine ayırmak için otomatik eşikleme uyguladı: ekin, yabancı ot veya çıplak toprak. Satranç tahtası tarzı segmentasyon ve sıra uzaklığı hesaplamaları, özellikle yabancı otların ekin sıraları içinde büyüdüğü zor noktalarda bu kararları hassaslaştırmaya yardımcı oldu. Önemli olan, bu adımların tümünün elle etiketlenmiş eğitim örnekleri kullanmadan buğday ve yabancı otların nasıl göründüğüne ve nerede büyüdüğüne dair agronomik bilgiye dayanan sabit bir kural setinden çalışmasıydı. Görüntü verimlilik için küçük karolara bölünerek işlendi, sonra tüm alanın tamamen sınıflandırılmış tek bir haritası olacak şekilde yeniden birleştirildi.

“Eğitimsiz” yabancı ot haritalaması ne kadar doğru?

Yöntemi test etmek için ekip otomatik haritalarını saha görüntülerindeki binlerce rastgele kontrol noktası ve insan kaynaklı yabancı ot örtüsü ve sayım tahminleriyle karşılaştırdı. Genel olarak iş akışı noktaların %87’sini doğru etiketledi ve kappa olarak bilinen uzlaşma istatistiği 0,81 çıktı; bu güçlü kabul ediliyor. Yabancı ot tespiti özelinde kullanıcı doğruluğu %76 idi; hataların çoğu yoğun ekin ve yabancı ot örtülerinin örtüştüğü yerlerde meydana geldi. Yine de otomatik yabancı ot örtüsü ve sayımları insan saha puanlamaları ve görsel değerlendirmelerle yakından eşleşti; ilişkiler, sistemin yalnızca görüntü gürültüsü değil gerçek biyolojik örüntüleri yakaladığını düşündürecek kadar güçlüydü.

Geleceğin çiftlikleri için bunun anlamı

Bu çalışma, yüksek kaliteli yabancı ot haritalarının elle etiketlenmiş eğitim setleri yerine uzman kurallar kullanılarak dron görüntülerinden üretilebileceğini gösteriyor. Standart bir masaüstü bilgisayarda 2.000 metrekarelik saha yaklaşık 20 dakikada tamamen işlendi. Ortaya çıkan etiketli haritalar herbisit performansını değerlendirme, değişken oranlı püskürtücüleri yönlendirme veya daha gelişmiş makine ve derin öğrenme modellerini hazır eğitim verisi ile besleme gibi işler için doğrudan destek sağlayabilir. Hem çiftçiler hem de araştırmacılar için böyle otomatik etiketleme, daha hızlı, daha ucuz ve daha sürdürülebilir yabancı ot yönetimine giden bir yol sunar ve hassas tarımı günlük uygulamaya daha da yaklaştırır.

Atıf: Ha, T., Aldridge, K., Johnson, E. et al. Automated weed segmentation with knowledge based labeling for machine learning applications. Sci Rep 16, 6220 (2026). https://doi.org/10.1038/s41598-026-37475-1

Anahtar kelimeler: hassas tarım, yabancı ot haritalama, dron görüntüleri, otomatik etiketleme, ürün izleme