Pirinç ve şeker kamışında CNN tabanlı özellik çıkarımı kullanarak az örnekle bitki hastalığı tespiti için açıklanabilir bir derin öğrenme çerçevesi

Neden hasta yaprakları tespit etmek önemli

Pirinç ve şeker kamışı milyarlarca insanı besler ve birçok tarım topluluğunun geçim kaynağıdır. Yapraklar hastalıklara yenik düştüğünde, tüm ürünler küçülebilir, gıda fiyatları artabilir ve çiftçiler geçimlerini kaybedebilir. Ancak erken tanı zordur: sorunlar genellikle küçük lekeler veya renk değişimleri olarak başlar ve meşgul çiftçiler bunları gözden kaçırabilir; uzmanlar her zaman yakınlarda olmayabilir. Bu çalışma, yalnızca birkaç yaprak fotoğrafından öğrenebilen, hastalıkları otomatik olarak işaretleyebilen ve hatta görüntüde teşhise yol açan noktaları insanlara gösterebilen, böylece çiftçilerin daha erken ve daha güvenli müdahale etmesine yardımcı olan bir bilgisayar tabanlı sistemi tanıtıyor.

Tarla için akıllı gözler

Araştırmacılar iki temel ürüne odaklanıyor: pirinç ve şeker kamışı. Çalışma, birçok farklı akıllı telefonla gerçek şeker kamışı tarlasında çekilmiş bir halka açık görsel koleksiyon ile daha küçük ve daha kontrollü bir pirinç yaprağı fotoğraf seti olmak üzere iki kamuya açık yaprak veri kümesinden yararlanıyor. Her fotoğraf ya sağlıklı bir yaprağı ya da kahverengi lekeler, pas renginde kabarcıklar ya da sarı çizgiler gibi belirli bir hastalığı gösteriyor. Ekip özel koleksiyonlar yerine bu paylaşılan veri kümeleri üzerine kurarak, diğer grupların yöntemleri test edebilmesini, yeniden kullanabilmesini ve nihayetinde akıllı tarla sensörlerinden akıllı telefon uygulamalarına kadar gerçek tarım araçlarına entegre edebilmesini hedefliyor.

Makinelere çok az örnekle öğretmek

Modern yapay zeka bitki hastalıklarını tanımada son derece başarılı olabilir, ancak genellikle her koşul için binlerce etiketli görüntü gerektirir — tarımda özellikle yeni veya nadir salgınlar için büyük bir zorluk. Bu engeli aşmak için yazarlar "az-örnek" öğrenmeyi kullanıyor; yalnızca birkaç örnekten öğrenmeye tasarlanmış bir teknik ailesi. Çerçeve, standart görüntü işleme adımlarıyla başlıyor: her fotoğrafın temizlenmesi, yeniden boyutlandırılması ve normalleştirilmesi, böylece bilgisayarın tutarlı bir görünüm görmesi sağlanıyor. Konvolüsyonel sinir ağı (CNN) olarak adlandırılan bir derin öğrenme modeli türü, her yaprak görüntüsünü hastalıkla ilişkili şekil, renk ve doku gibi bilgileri yakalayan kompakt sayısal özellikler kümesine dönüştürüyor.

Teşhisi anlaşılır kılmak

Bu özelliklerin üzerine ekip, Prototypical Networks ve Model-Agnostic Meta-Learning (MAML) olarak bilinen iki gelişmiş az-örnek yöntemini eğitiyor. Birincisi özellik uzayında her hastalık için bir tür "merkez" öğreniyor ve yeni yaprakları en yakın merkeze atıyor; diğeri ise yalnızca birkaç eğitim adımıyla yeni görevlere hızla uyum sağlamayı öğreniyor. Kritik olarak, yazarlar bu yöntemleri açıklanabilir yapay zeka araçlarıyla birleştiriyor. Isı haritası tarzı teknikler kullanılarak sistem, kararını en çok etkileyen yaprak görüntüsünün hangi kısımlarını vurgulayabileceğini gösteriyor — koyu lekeler kümesi, orta damar boyunca sarı bir çizgi veya sağlıklı bir bitkide bariz lezyonların yokluğu gibi. Bu, modelin muhakemesini görünür kılıyor ve ziraat uzmanlarının bilgisayarın arka plan karmaşasına değil, tıbbi açıdan anlamlı işaretlere odaklanıp odaklanmadığını kontrol etmesine olanak tanıyor.

Sistemin performansı nasıl

Yaklaşımlarının gerçekten kullanışlı olup olmadığını değerlendirmek için araştırmacılar, bitki hastalığı tespiti için daha önce kullanılan birkaç iyi bilinen derin öğrenme modeliyle karşılaştırma yapıyor. Her veri kümesini eğitim ve test bölümlerine ayırıyor ve her yöntemin hastalık türünü ne sıklıkla doğru tanımladığını ölçüyorlar. Tarladan alınmış şeker kamışı yapraklarında yeni çerçeve yaklaşık yüzde 92 doğrulukla sınıflandırma yaparak VGG, ResNet, Xception ve EfficientNet gibi standart mimarileri geride bırakıyor. Pirinç veri kümesinde ise test görüntülerinin yaklaşık yüzde 98’ini doğru tanımlayarak daha da iyi performans gösteriyor. Yanlış alarmlar ile kaçan vakalar arasındaki dengeyi inceleyen istatistiksel araçlar, yeni yöntemin rastgele tahmin edene değil, mükemmele yakın bir tıbbi tarama aracı gibi davrandığını gösteriyor.

Bu çiftçiler için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma bir bilgisayarın yalnızca az sayıda örnek görüntüden birçok pirinç ve şeker kamışı hastalığını doğru bir şekilde öğrenebileceğini ve ayrıca kararına yol açan yapraktaki noktaları ve çizgileri işaretleyebileceğini gösteriyor. Bu veri verimliliği ve şeffaflık karışımı, gerçek dünya kullanımı için anahtar niteliğinde: yeni mahsuller ve ortaya çıkan hastalıklar için araç geliştirme engelini düşürüyor ve çiftçilere ile uzmanlara güvenebilecekleri görsel kanıt sağlıyor. Gerçek tarlalarda daha fazla test ve daha kullanıcı dostu arayüzlerle, bu tür açıklanabilir az-örnek sistemler akıllı tarımda günlük iş ortakları haline gelebilir, ürünleri korumaya yardımcı olurken gereksiz pestisit kullanımını azaltabilir.

Atıf: El-Behery, H., Attia, AF. & Rezk, N.G. An explainable deep learning framework for few shot crop disease detection in rice and sugarcane using CNN based feature extraction. Sci Rep 16, 8272 (2026). https://doi.org/10.1038/s41598-026-37501-2

Anahtar kelimeler: bitki hastalığı tespiti, pirinç ve şeker kamışı, derin öğrenme, açıklanabilir yapay zeka, akıllı tarım