Hassas Çoklu Mahsul Hastalığı Tespiti için Dalgalet (wavelet) Tabanlı Frekans-Domain Yaklaşımı

Mahsul Sağlığı için Daha Akıllı Görüş

Çiftçiler ve araştırmacılar, hastalıklar yayılmadan ve hasadı yok etmeden önce bitki hastalıklarını erkenden tespit etmek için giderek daha fazla kamera ve drone’a güveniyor. Ancak gerçek tarlalar karmaşıktır: yapraklar üst üste gelebilir, güneş ışığı saniye saniye değişir ve birçok hastalık lekesi çok küçük olup normal yaprak dokusuyla kolayca karışabilir. Bu makale, bu tür zor koşullar altında bile birçok mahsul türünde hastalıklı bölgeleri hızlı ve doğru şekilde bulmak üzere tasarlanmış kompakt bir yapay zeka sistemi olan WGA‑YOLO’yu sunar.

Yaprak Lekelerini Bulmak Neden Bu Kadar Zor?

İlk bakışta bir fotoğrafta hasta bir yaprağı tanımak basit görünür. Uygulamada durum hiç de öyle değildir. Gerçek tarlalarda hastalık lezyonları çok küçük, düzensiz şekilli ve yapraklar üzerinde dağınık olabilir. Renkleri ve dokuları sıklıkla damarlar veya benekler gibi doğal desenlere benzer. Aydınlatma sert, loş veya gölgeler nedeniyle düzensiz olabilir. Geleneksel makine öğrenimi sistemleri el yapımı görsel ipuçlarına dayanır ve arka plan karmaşıklaştığında veya aydınlatma değiştiğinde çöker. Standart YOLO modelleri gibi daha yeni derin öğrenme sistemleri daha güçlü olsa da, hâlâ küçük lezyonları kaçırabilir veya çiftliklerde kullanılan düşük maliyetli cihazlar için pratik olmayan yüksek hesaplama gücü gerektirebilir.

Bitki Hastalıklarının Görünümünü Temizlemek

Herhangi bir tespit sistemini eğitmek ve test etmek için güvenilir bir veri kümesi esastır. Yazarlar, PlantDoc adlı popüler halka açık bitki görüntü koleksiyonunu yeniden inceleyerek işe başladılar. Eksik veya tutarsız etiketler, gerçek fotoğraflar yerine çizimler ve filigranlı ya da el yazılı notlar içeren görüntüler gibi yapay zekâ modelini yanıltabilecek birçok sorun buldular. Sorunlu örnekleri dikkatle yeniden kontrol edip düzelttiler veya kaldırdılar, ardından halka açık kaynaklardan yeni ve açıkça belgelenmiş görüntüler ekleyerek veri kümesini genişlettiler. Ortaya çıkan PlantDoc_boost, gerçekçi açık sahneler ve birçok küçük hastalıklı alan içeren 13 yaygın mahsul ve 17 hastalık türünü kapsıyor. Bu daha temiz, daha zengin veri kümesi, bir kameranın sahada gerçekte “gördüğünü” daha iyi yansıtır ve bir modelin laboratuvar dışına genelleme yeteneğini test etmeyi mümkün kılar.

Yeni Modelin İç Yapısı Nasıl?

WGA‑YOLO, hızıyla bilinen tek aşamalı popüler bir nesne algılayıcı olan YOLOv8n üzerine kuruludur. Yazarlar, ince ayrıntıları korurken modeli hafif tutmak için ağın kritik bölümlerini yeniden tasarladılar. Öncelikle bazı standart aşağı örnekleme adımlarını Wavelet Channel Recalibration (WCR) adlı bir modülle değiştirirler. Görüntüleri basitçe küçültüp bilgiyi kaybetmek yerine, WCR özellikleri dalgalet dönüşümü ile düzgün, düşük frekanslı içerik ve keskin, yüksek frekanslı kenar ve dokular olarak ayırır. Bunları düşünceli şekilde yeniden birleştirerek ağ, yaprakların genel şeklini ve hastalığı işaret eden küçük lekeleri çok az ek hesaplama ile korur.

Çok Ölçekli Küçük Lezyonlara Yaklaşım

Küçük lezyonlar özellikle gözden kaçmaya eğilimlidir; bu yüzden yazarlar PS‑C2f adlı özelleştirilmiş bir yapı bloğu tanıtıyor. Bu blok, her noktaya etrafındaki çeşitli yönlere bakan “pusula şeklinde” filtreler kullanarak modelin lezyon sınırlarını belirten şekil ve doku değişikliklerine karşı daha hassas olmasını sağlıyor. Diğer yeni bileşen DGAP (Dynamic Group Attention Pooling) ise ağın farklı ölçeklerden—küçük lekelerden neredeyse yaprak boyutuna kadar—bilgiyi birleştirmesine yardımcı oluyor. Yerel, orta ve küresel görüşlere ne kadar ağırlık verileceğini öğrenerek, DGAP modelin gerçekten önemli lezyon bölgelerini vurgulamasını ve damarlar veya toprak dokuları gibi yanıltıcı arka plan desenlerini geri plana itmesini teşvik ediyor.

Uygulamada Ne Kadar İyi Çalışıyor?

PlantDoc_boost veri kümesinde test edilen WGA‑YOLO, daha iyi bilinen birkaç alternatife—Faster R‑CNN ve çeşitli YOLO versiyonları dahil—göre hastalıklı bölgeleri daha doğru tespit ediyor; ayrıca başlangıç noktası olan YOLOv8n’ye kıyasla daha az parametre kullanıyor ve biraz daha az hesaplama gerektiriyor. Mısır, domates ve elma hastalıklarının yer aldığı, sahneleri daha basit olsa da birçok görüntü ve hastalık türünü kapsayan birkaç dış veri kümesinde de güçlü performans gösteriyor. Bu testlerin tamamında WGA‑YOLO gerçek lezyon alanlarına daha iyi odaklanıyor ve dikkat dağıtan dokular veya aydınlatma tarafından daha az kolay aldatılıyor. Bu doğruluk ve verimlilik kombinasyonu, modelin drone veya tarım robotlarına monte edilebilecek kenar cihazlarında çalıştırılabileceğini ve neredeyse gerçek zamanlı rehberlik sağlayabileceğini düşündürüyor.

Çiftçiler İçin Anlamı Nedir?

Basitçe söylemek gerekirse, bu çalışma mahsuller için daha keskin ve daha verimli bir dijital “göz” sunuyor. Eğitim verilerini temizleyip yapay zekâ modelinin ince ayrıntı ve ölçeği işleme biçimini yeniden tasarlayarak, yazarlar daha az hacimli bilgisayar gerektiren ve daha fazla hastalık tespit eden bir algılayıcı yarattı. Bu, çiftçilerin sorunları daha erken yakalamasına, ilaç kullanımını daha hedefli hale getirmesine ve hem maliyetleri hem de çevresel etkiyi azaltmasına yardımcı olabilir. Çok erken, ince enfeksiyonlar ve en küçük cihazlara dağıtım için daha fazla ince ayar gerekse de, WGA‑YOLO farklı mahsuller arasında sahaya uygun hastalık izlemeye doğru önemli bir adımı temsil ediyor.

Atıf: Zhao, J., Liang, Y., Wei, G. et al. A wavelet-based frequency-domain approach for accurate multi-crop disease detection. Sci Rep 16, 7099 (2026). https://doi.org/10.1038/s41598-026-38476-w

Anahtar kelimeler: mahşul hastalığı tespiti, kesin tarım, bilgisayarlı görme, YOLO, bitki sağlık izleme