Pamukçuk verimli DenseNet121 kullanılarak pirinç bitkisi hastalıklarının sınıflandırılması

Neden Hastalıklı Pirinç Bitkilerini Tespit Etmek Önemli

Pirinç milyarlarca insan için günlük bir besin kaynağıdır; bu nedenle pirinç ürünlerine zarar veren her şey gıda arzını ve çiftçilerin geçim kaynaklarını tehdit edebilir. Birçok pirinç hastalığı önce yapraklarda fark edilmesi zor lekeler veya çizgiler olarak ortaya çıkar; bunlar geniş tarlalarda kolayca gözden kaçabilir veya yanlış değerlendirilebilir. Bu makale, yapay zekâ (YZ) kullanarak sıradan pirinç bitkisi fotoğraflarını hızlı ve doğru çoklu yaprak hastalığı teşhislerine dönüştürmenin yollarını araştırıyor; böylece çiftçilerin erken müdahale ederek büyük ürün kayıplarından kaçınmalarına yardımcı olunabilir.

Sezgi Yerine Kamera Tabanlı Kontroller

Geleneksel olarak bitki hastalıklarının teşhisi, uzmanların tarlaları veya fotoğrafları görsel olarak incelemesine dayanır. Bu yaklaşım yavaş, maliyetli ve milyonlarca küçük çiftliğe ölçeklenebilir değildir. Öte yandan, akıllı telefonlar ve ucuz dijital kameralar artık kırsal alanlar da dahil yaygındır. Yazarlar bu fırsattan yararlanıyor: çiftçiler yaprakların net fotoğraflarını çekebilirse, iyi eğitilmiş bir YZ sistemi farklı hastalıkları otomatik olarak ve saniyeler içinde tanıyabilir. Bu çalışma, bakteriyel yaprak yanıklığından mantar lekelerine ve mildiyöye kadar yedi yaygın pirinç hastalığına odaklanıyor ve aracın yalnızca bir ya da iki hastalık yerine geniş bir sorun yelpazesinde çalışmasını hedefliyor.

Akıllı Görüntü Sisteminin Çalışma Prensibi

Araştırmacılar, resimlerdeki şekil, renk ve doku gibi örüntüleri tespit etmeyi öğrenen konvolüsyonel sinir ağı adı verilen güçlü bir görüntü tanıma yaklaşımının üzerine inşa ediyor. Bilginin verimli akmasını ve özelliklerin sürekli yeniden öğrenilmek yerine yeniden kullanılmasını sağlayan çok katmanı birbirine bağlayan bir tasarım olan DenseNet121 adlı özel bir mimari kullanıyorlar. Baştan başlamak yerine transfer öğrenimi uyguluyorlar: önceden milyonlarca günlük görüntü üzerinde eğitilmiş bir DenseNet modelinden başlayıp bunu pirinç yaprağı fotoğraflarıyla ince ayar yapıyorlar. Kamuya açık “Paddy-Rice” veri setinden 8.030 özgün hastalıklı yaprak görüntüsü topluyorlar; ardından döndürme, çevirme ve parlaklığı hafifçe değiştirme gibi dikkatli veri artırma uygulamalarıyla bunu 11.467 görüntüye genişletiyorlar, böylece model gerçek dünya varyasyonlarına karşı dayanıklı oluyor.

Eğitim, Test ve Sonuçlara Güven

Sistemi eğitmek için ekip görüntüleri iki kümeye ayırıyor: modelin öğrenmesi için yaklaşık %80 ve daha önce görmediği durumlarda test etmesi için %20. Öğrenme hızı, batch boyutu ve eğitim turu sayısı gibi ayarları Adam adlı bir optimizasyon yöntemiyle ayarlıyor ve performans iyileşmeyi bıraktığında erken durdurma uyguluyorlar. Sistem her görüntüyü hastalık kategorilerinden birine atamayı öğreniyor. Performans birkaç standart skorla ölçülüyor: doğruluk (genel olarak ne sıklıkla doğru olduğu), hassasiyet (pozitif tahminlerinin ne sıklıkla doğru olduğu), bulma oranı/recall (gerçek hastalıklı vakaların ne kadarını bulduğu) ve hassasiyet ile bulmayı dengeleyen F1 skoru. Ayrıca sistemin benzer görünen hastalıkları nerelerde karıştırdığını gösteren bir “karışıklık matrisi”ni (confusion matrix) analiz ediyorlar.

YZ Pirinç Hastalıklarını Ne Kadar İyi Teşhis Ediyor

Eğitilmiş DenseNet121 modeli etkileyici performans gösteriyor. Bağımsız test setinde genel doğruluk %97,9’a ulaşıyor ve bireysel hastalık doğrulukları çoğunlukla %96 ile neredeyse %100 arasında. Hassasiyet ortalaması yaklaşık %96,2, recall yaklaşık %97,9 ve F1 skoru %97; bu da modelin yalnızca doğru olmakla kalmayıp kaçan vakalar ve yanlış alarmlar arasında dengeli olduğunu gösteriyor. Beş katlı çapraz doğrulama—eğit-test bölünmesini birkaç kez tekrarlama—benzer şekilde güçlü ve istikrarlı sonuçlar veriyor; çalıştırmalar arasında çok küçük varyasyonlar var. Benzer yaprak lekelerine sahip hastalıklar arasında bazı karışıklıklar olsa da sistem genel olarak insan gözlemcilerin gözden kaçırabileceği ince desen ve renk farklılıklarını ayırt edebiliyor.

Çiftçiler ve Gıda Güvenliği İçin Anlamı

Uzman olmayanlar için çıkarım basit: bu çalışma dikkatle tasarlanmış bir YZ modelinin pirinç yaprağı fotoğraflarına bakarak birkaç büyük tehdidin hangisinin mevcut olduğunu yüksek güvenilirlikle söyleyebileceğini gösteriyor. Bu, çiftçilere saha içi hızlı tavsiye verebilecek akıllı telefon veya drone tabanlı araçların yolunu açıyor; böylece sorunlar erken tedavi edilebilir, gereksiz pestisit kullanımı azaltılabilir ve verimler korunabilir. Bu tür sistemleri çeşitli saha koşullarında daha fazla test etmek ve kullanımı kolay uygulamalara dönüştürmek için ek çalışmalara ihtiyaç olsa da sonuçlar, YZ destekli hastalık teşhisinin küresel pirinç üretimini daha dayanıklı ve sürdürülebilir hale getirmede pratik bir yardımcı olabileceğini gösteriyor.

Atıf: Ismail, A., Hamdy, W., Ibrahim, A.H. et al. Classification of rice plant diseases using efficient DenseNet121. Sci Rep 16, 7482 (2026). https://doi.org/10.1038/s41598-026-38078-6

Anahtar kelimeler: pirinç hastalığı tespiti, bitki sağlık görüntüleme, derin öğrenme, ürün koruma, gıda güvenliği