Gauss-Haar dönüşümü füzyonu, nar olgunluk tespiti için DEIM’i geliştiriyor

Büyüyen Bir Dünya İçin Daha Akıllı Hasatlar

Meyvenin tam olarak ne zaman hasat edilmeye hazır olduğunu bilmek, çiftçilikteki en önemli — ve en zor — kararlardan biridir. Bu çalışma, ekonomik ve besinsel önemi giderek artan bir ürün olan nar için bu sorunu ele alıyor. İnsan gözüne veya yavaş laboratuvar testlerine güvenmek yerine, yazarlar gerçek bahçelerde çekilmiş sıradan fotoğraflara bakarak her narın tomurcuktan tam olgun meyveye kadar hangi gelişim aşamasında olduğunu belirleyebilen kompakt bir yapay zeka sistemi sunuyor. Amaçları, otomatik hasadı, verim tahminini ve bahçe yönetimini daha hızlı, daha doğru ve düşük güçlü cihazlarda bile pratik hâle getirmek.

Nar Gelişiminin Neden Görülmesi Zor

Gerçek bahçelerde narları fark etmek göründüğü kadar basit değil. Sezonun başında küçük yeşil meyveler yoğun yeşil yaprakların arasında neredeyse kaybolur ve çoğunlukla renk bilgisine dayanan mevcut bilgisayarla görme yöntemlerini yanıltır. Daha sonra olgunlaşan meyve yaprakların arkasında kısmen gizlenebilir veya düzensiz güneş ışığı nedeniyle derin gölgeler altında kalabilir; bu da algoritmaların tespit kutularını yanlış yere koymasına veya meyveleri tamamen kaçırmasına yol açar. Önceki çoğu sistem ayrıca hasat sonrası meyveye veya büyüme döngüsünün tek bir noktasına odaklanır; bu da sulama, gübreleme ve zararlı kontrolü gibi sezon boyu planlama için kullanımını sınırlar. Buna ek olarak, çok yüksek doğruluklu modeller genellikle saha robotları ve uç cihazlarda kullanılan küçük bilgisayarlarda çalıştırılamayacak kadar büyük ve enerji tüketicidir.

Bir Kameraya Rengi Aşmayı Öğretmek

Bu engelleri aşmak için araştırmacılar GLMF-DEIM adını verdikleri yeni bir tespit sistemi geliştirdiler. Öncelikle, Nisan’dan Ekim’e kadar çeşitli aydınlatma ve hava koşullarında Şandong, Çin’deki bahçelerden elde edilen 5.855 yüksek kaliteli görüntüden oluşan özel bir veri seti topladılar. Uzmanlar 11.482 ayrı nar tomurcuğu, çiçek ve meyveyi etiketledi ve bunları beş gelişim aşamasına ve üç boyut aralığına ayırdı. Bu zengin koleksiyon, modele narların gelişiminin her adımında — sıkıca kapalı küçük tomurcuklardan büyük, parlak renkli olgun meyvelere kadar — nasıl göründüğünü ve günün farklı saatlerinde ile yaprak örtüsünün değişen derecelerinde nasıl ortaya çıktıklarını öğrenme olanağı sağlıyor.

Sadece Renge Değil, Doku ve Detaya Bakmak

GLMF-DEIM’in özü, bilgisayarın meyveyi yapraktan ayırt etmesine ve küçük, ince özellikleri gereksiz hesaplama harcamadan fark etmesine yardımcı olan bir dizi akıllı uygulamadır. Bir ön uç modül, sesin düşük ve yüksek notalara ayrılmasına benzer matematiksel bir işlem kullanır. Görüntüyü önce arka plandaki küçük gürültüyü nazikçe yumuşatarak sonra pürüzsüz bölgeler ve keskin kenarlara ayrıştırır. Nar kabukları nispeten düzgünken yapraklar hareketli, dokulu bir arka plan oluşturduğundan, bu frekans tabanlı bakış aynı yeşil tonunu paylaşıyor olsalar bile onları ayırmayı kolaylaştırır. Diğer hafif modüller, olgunlukla ilişkili yüzey detaylarının korunması için görüntü küçültülürken nasıl adaptasyon yapılacağını ayarlıyor ve küçük tomurcuklardan büyük olgun meyvelere kadar farklı mekansal ölçeklerde yayılan bilgiye özel dikkat etmeyi öğreniyorlar.

Her Meyveyi Görmek, Büyük ya da Küçük

Bireysel dokuları tanımanın ötesinde, sistem sahneye dağılmış birçok boyutta meyveyi de yönetmek zorunda. Bunu yapmak için yazarlar, görüntü temsillerinden bir tür piramit oluşturan bir özellik füzyon ağı tasarlıyorlar. Daha yüksek seviyelerde model geniş şekilleri yakalarken; daha düşük seviyelerde ince kenarları ve desenleri koruyor. Bilgi bu piramit boyunca hem yukarı hem de aşağı akıyor, böylece her tespit katmanı hem bağlamı hem de yerel detayı anlıyor. Tespit başlığı daha sonra çok noktalı ilişkileri aynı anda modellemenin bir yolu olan modern bir “transformer” mimarisi kullanıyor — bunu, yoğun çeşitlendirilmiş örnekler sağlayan rafine bir eğitim stratejisi ve hem aşırı öz güvenli hataları hem de aşırı düşük güvenli başarıları cezalandıran bir kayıp fonksiyonu ile birleştiriyor. Bu seçimler, sistemin zor sahnelerde örtüşen meyveler ve dağınık arka planlarla karşılaştığında hızla yakınsamasına ve dayanıklı kalmasına yardımcı oluyor.

Daha Az Hesapla Daha İyi Doğruluk

Önde gelen nesne tespiti sistemlerine karşı yapılan yan yana testlerde yeni yaklaşım öne çıkıyor. Standart bir değerlendirme ayarında olgun narları yaklaşık yüzde 93 doğrulukla doğru tanımlıyor ve daha sıkı puanlama kuralları altında bile güçlü performansını koruyor. Özellikle küçük, fark edilmesi zor hedeflerde belirgin kazanımlar gösterirken, büyük meyvelerde de üstünlüğünü sürdürüyor. Aynı zamanda, ağır modellerden çok daha az hesaplama ve parametre kullanıyor; bu da saha robotlarına, dronlara veya düşük maliyetli izleme istasyonlarına dağıtım için uygun hâle getiriyor. Günlük terimlerle, bu bir kamerayla donatılmış cihazın bir nar bahçisinde dolaşıp her ağacın meyvesinin nasıl ilerlediğini güvenilir şekilde takip edebilmesi ve çiftçilere ne zaman ve nerede hasat ya da müdahale edileceğine karar vermede yardımcı olabilmesi anlamına geliyor — tüm bunlar ahırda bir süper bilgisayara ihtiyaç duymadan yapılabilir.

Atıf: Wang, Y., Liu, S., Hao, P. et al. Gaussian-Haar transform fusion enhances DEIM for pomegranate maturity detection. Sci Rep 16, 8246 (2026). https://doi.org/10.1038/s41598-026-39620-2

Anahtar kelimeler: nar tespiti, meyve olgunluğu, akıllı tarım, bilgisayarla görme, derin öğrenme modelleri