Derin öğrenme modellerinin meyve hastalıklarının erken tespiti ve sınıflandırılmasında kullanılması: sürdürülebilir tarıma ve geliştirilmiş gıda kalitesine doğru

Neden hasta meyveyi erkenden fark etmek önemli?

Darbeli, lekeli meyve sadece kozmetik bir sorun değildir—bitki hastalıklarının işareti olabilir; bu da rekoltenin düşmesine, su ve kimyasalların israfına ve gıda fiyatlarının sessizce yükselmesine yol açar. Dünya genelinde çiftçiler hâlâ çoğunlukla çıplak gözle hangi meyvelerin sağlıklı olduğunu değerlendirmeye dayanıyor; bu, yavaş ve hata yapmaya açık bir süreç. Bu çalışma, modern yapay zekânın meyve fotoğraflarını nasıl erken uyarı sistemine dönüştürebileceğini, çiftçilere ürünleri koruma, kayıpları azaltma ve daha yüksek kalitede gıda sunma konusunda nasıl yardımcı olabileceğini araştırıyor.

Akıllı tarlalara akıllı telefon fotoğraflarından

Araştırmacılar, sadece yaprak ve meyve fotoğraflarını analiz ederek hastalıkları otomatik olarak tanıyabilen araçlar geliştirmeyi amaçladılar. Elma, üzüm, mango, muz, guava ve portakal olmak üzere yaygın olarak yetiştirilen altı ürüne odaklandılar ve sağlıklı ile hastalıklı örnekleri gösteren binlerce görüntü topladılar. Bilgisayarlara, insanın fark etmesinden çok önceki ince lekeleri, renk bozulmalarını ve doku değişikliklerini ayırt etmeyi öğreterek, hedef tarlada bitki sağlığı hakkında çiftçilere hızlı ve nesnel geri bildirim sağlamaktı.

Bilgisayarlara meyve “parmak izlerini” öğretmek

Bunu yapmak için ekip, görüntülerdeki desenleri bulmada güçlü olan yapay zekânın bir dalı olan derin öğrenmeyi kullandı. “Kahverengi daireleri ara” gibi kurallar elle kodlamak yerine, beş farklı sinir ağı tasarımını—CNN, DenseNet121, EfficientNet B3, Xception ve ResNet50—doğrudan resim verilerinden öğrenmeleri için eğittiler. Eğitime başlamadan önce görüntüleri temizlediler ve hazırladılar: yeniden boyutlandırma, renk düzeltme ve döndürme ile çevirme gibi yöntemlerle ek eğitim örnekleri oluşturdular. Bu görüntü “düzenleme” aşaması, modellerin arka plan karmaşası veya aydınlatma değişiklikleri gibi dikkat dağıtıcı unsurları görmezden gelerek hastalığın önemli görsel parmak izlerini öğrenmesine yardımcı olur.

Altı meyve, çok sayıda hastalık, tek temel yaklaşım

Aynı genel tarif, her biri belirli bir meyve ve onun başlıca hastalıklarına odaklanan altı ayrı vaka çalışmasına uygulandı. Örneğin, portakal görüntüleri sağlıklı meyvelerin yanı sıra siyah leke, turunçgil kanseri ve greening (greening hastalığı) vakalarını içeriyordu. Üzümlerde siyah çürüklük ve yaprak yanıklığı gibi kategoriler vardı; mangolar ve guavalar daha geniş bir sorun yelpazesini kapsıyordu; muz ve elmalar ise birkaç önemli yaprak ve meyve enfeksiyonuna odaklandı. Her meyve için araştırmacılar beş derin öğrenme modelinin tamamını eğitti ve ardından her birinin yeni, görülmemiş görüntüleri doğru hastalık kategorisine veya “sağlıklı” olarak ne kadar doğru sınıflandırabildiğini ölçtüler. Bu, hangi tasarımların gerçekçi koşullarda en güvenilir ve verimli olduğunu adil bir şekilde karşılaştırmayı sağladı.

Dijital muayeneciler ne kadar iyi performans gösterdi?

Dijital meyve doktorları kayda değer derecede doğru sonuç verdi. Birçok testte en iyi modeller 100 görüntüden 95’inden fazlasını doğru sınıflandırdı. EfficientNet B3 adlı bir model öne çıktı; üzüm ve elma hastalıkları için yaklaşık %99 doğruluğa ulaşırken hesaplama kaynaklarını verimli kullandı. ResNet50 mango ve guava için özellikle iyi performans gösterdi ve daha basit bir CNN portakallar için en iyi sonucu verdi. Karmaşık muz veya guava veri setleri gibi daha zor vakalarda bile en az bir model hâlâ %94–96’nın üzerinde doğruluk sağladı. Çalışma ayrıca bu sonuçları önceki araştırmalarla karşılaştırdı ve özenle ayarlanmış modellerinin, dikkatli görüntü hazırlama sayesinde, genel olarak önceki yaklaşımlarla eşleştiğini veya onları geride bıraktığını buldu.

Bu çiftlikler ve gıda için ne anlama geliyor?

Çiftçiler için bu sonuçlar, bir kamera ve eğitilmiş bir derin öğrenme modelinin yakında her zaman açık bir bitki sağlığı asistanı gibi davranabileceğini, sorunları ağaçları ve bağları kurtarmaya yetecek kadar erken işaretleyebileceğini gösteriyor. Erken ve doğru tespit, yalnızca gerçekten ilgi gerektiren bitkilerin tedavi edilmesini kolaylaştırarak gereksiz pestisit kullanımını azaltır ve toprağı ile suyu korur. Zamanla bu tür sistemler, günlük görüntüleri gıda ürünlerimiz için hızlı, güvenilir sağlık kontrollerine dönüştürerek daha sürdürülebilir tarımı—daha yüksek verim, daha az atık ve pazarda daha iyi kaliteli meyveler—destekleyebilir.

Atıf: Alrashdi, I., Sharawi, M., Ali, A.M. et al. Utilizing deep learning models for early detection and classification of fruit diseases: towards sustainable agriculture and enhanced food quality. Sci Rep 16, 8167 (2026). https://doi.org/10.1038/s41598-026-38259-3

Anahtar kelimeler: meyve hastalığı tespiti, tarımda derin öğrenme, bitki sağlığı izlemesi, bilgisayarlı görü, sürdürülebilir çiftçilik