İlaçlık yaprak hastalık sınıflandırması için açıklanabilir yapay zekâlı hafif hibrit CNN ve transformer modeli

Neden daha akıllı bitki bakımı önemli?

Ev çözümlerinde ve modern ilaçlarda kullanılan birçok bitki—örneğin tulsi (kutsal fesleğen), neem ve patharkuchi—şifalı bileşenlerini sağlıklı yapraklara borçludur. Hastalıklar bu yapraklara saldırdığında bitkiler hem verimi hem de tıbbi gücünü kaybeder. Makale, fotoğraflardan farklı yaprak hastalıklarını dikkat çekici doğrulukla tespit edebilen kompakt bir yapay zekâ (YZ) sistemi sunuyor. Düşük maliyetli cihazlarda çalışacak ve neye “baktığını” açıkça gösterecek şekilde tasarlanan bu yaklaşım, çiftçilere ve bahçıvanlara değerli ilaçlık bitkileri gerçek zamanlı korumada yardımcı olabilir.

Tanıdık yapraklardaki gizli tehditler

Çalışma, Kalanchoe pinnata (patharkuchi), Azadirachta indica (neem) ve Ocimum tenuiflorum (tulsi) olmak üzere üç yaygın ilaçlık bitkiye odaklanıyor. Bu bitkiler antibakteriyel, anti‑inflamatuar ve hatta anti‑kanser faydalar sunarken, yaprakları mantar ağlarına, strese bağlı sararmaya ve çeşitli leke hastalıklarına karşı hassastır. Geleneksel tanı saha uzmanlarının gözlemi veya ekipman gerektiren, yavaş laboratuvar testlerine dayanır; bu da sorunları erken veya geniş alanlarda yakalamayı zorlaştırır. Bitki sağlığı hem halk sağlığına hem de yerel ekonomilere bağlı olduğundan, sadece görüntüler kullanarak hastalığı hızla işaretleyebilen otomatik, doğru ve anlaşılır araçlara güçlü bir ihtiyaç vardır.

Hastalıklı yapraklar için akıllı bir göz inşa etmek

Bu zorluğu ele almak için yazarlar, görsel görevler için iki popüler YZ fikrinin hafif bir karışımı olan LSeTNet adlı yeni bir model geliştirdiler: ayrıntılı dokuları ve kenarları yakalamada başarılı konvolüsyonel ağlar ile görüntü genelinde uzun menzilli desenleri görmede güçlü olan transformer katmanları. Sistem önce üç bitkinin hem sağlıklı hem de hasta hallerini kapsayan 12 sınıf içeren dikkatle toplanmış MedicinalLeaf‑12 adlı bir görüntü setinden öğrenildi. Fotoğraflar gerçek saha koşullarında, değişken aydınlatma, açılar ve arka planlarla çekildi, ardından hastalık lekeleri ve yaprak damarları daha belirgin hale gelecek şekilde temizlendi ve geliştirildi. Ekip ayrıca döndürme, yakınlaştırma, parlaklık değişiklikleri ve daha fazlasını içeren geniş çaplı görüntü arttırımı kullanarak gerçek tarlalarda görülen düzensiz çeşitliliği taklit etti ve veri setinin dengeli kalmasını sağladı.

Model yaprakları nasıl düşünür?

LSeTNet her yaprak resmini aşamalı olarak işler. Hafif konvolüsyonel katmanlar küçük lekeler, ağlaşma ve yaprak kenarlarının keskinliği gibi yerel ipuçlarını yakalar. Özel “sıkıştırma‑ve‑uyarma” (squeeze‑and‑excitation) modülleri sonra bu ipuçlarını yeniden ağırlıklandırır; hastalıkla ilişkili sinyalleri taşıyan kanalları sessizce yükseltir, arka planın hakim olduğu kanalları düşürür. Ardından bir transformer bloğu uzak bölgeleri birbirine bağlayarak modelin dağınık sarı lekeleri veya damarlar boyunca uzanan desenleri ilişkilendirmesini sağlar. Son olarak, kompakt bir sınıflandırıcı her görüntüyle en iyi eşleşen 12 durumdan birini karar verir. Yaklaşık 9.4 milyon parametre ve mütevazı hesaplama gücü kullanmasına rağmen model yüksek hız ve düşük bellek kullanımı korur; bu da onu telefonlar, tabletler veya küçük tek kartlı bilgisayarlar için uygun hale getirir.

Siyah kutunun içini görmek

Çiftçilerin ve ziraat mühendislerinin otomatik bir tanıya güvenmesi gerektiği için yazarlar sistemlerine açıklanabilirlik eklediler. Modelin her yaprak üzerinde “nelere dikkat ettiğini” gösteren ısı haritaları oluşturmak için Grad‑CAM ve LIME gibi araçlar kullandılar ve modelin iç özellik uzayında farklı hastalıkların nasıl kümelendiğini görselleştirmek için t‑SNE grafikleri kullandılar. Bu açıklamalar, YZ’nin sürekli olarak lezyonlara, renk değiştirmiş dokuya ve mantar ağlarına odaklandığını; düz arka plan veya gövdelere odaklanmadığını ortaya koyuyor. Nadir yanlış sınıflandırmalarda—1.800 test görüntüsünde yalnızca beş hata—vurgulanan bölgeler biyolojik olarak anlamlı alanlarda kalıyor; kafa karışıklığı esas olarak iki hastalığın insan gözüne çok benzer görünmesinden kaynaklanıyor.

Sonuçların yetiştiriciler için anlamı

Ana veri seti genelinde LSeTNet, yaprak görüntülerini yaklaşık %99.7 doğrulukla doğru sınıflandırdı ve daha önce görmediği Bangladeş’e ait ayrı bir dış veri setinde de benzer şekilde yüksek performans gösterdi. Aynı zamanda hızlı çalışıyor (GPU üzerinde görüntü başına yaklaşık yedi binde bir saniye) ve küçük bir bellek ayak izine sığarak düşük maliyetli, saha hazır uygulamaların yolunu açıyor. Pratik anlamda bu çalışma, kompakt ve şeffaf YZ’nin önemli ilaçlık bitkilerde erken hastalık belirtilerini güvenilir şekilde tespit edebileceğini ve kullanıcılara neden belirli bir karara vardığını açıkça gösterebileceğini ortaya koyuyor. Daha fazla tür ve daha zorlu saha koşullarında ek testlerle benzer sistemler, bitkisel ilaç tedarik zincirlerini korumaya, hassas tarımı desteklemeye ve küçük ölçekli çiftçilere cebinde erişilebilir bir “ikinci görüş” sağlamaya yardımcı olabilir.

Atıf: Ahmmed, J., Kabir, M.A., Rehman, A.u. et al. A lightweight hybrid CNN and transformer model for medicinal leaf disease classification with explainable AI. Sci Rep 16, 8243 (2026). https://doi.org/10.1038/s41598-026-39182-3

Anahtar kelimeler: ilaçlık bitkiler, yaprak hastalığı tespiti, derin öğrenme, açıklanabilir yapay zekâ, hassas tarım