Krizantem sınıflandırması: renk uzayı füzyonlu dönüştürücü

Bir çiçeğin memleketi ve rengi neden gerçekten önemli

Krizantemler, sonbahar buketleri için sadece güzel çiçekler değildir. Çin’de aynı zamanda klasik bir bitkisel ilaç ve değerli bir üründür; ancak şifa özellikleri ve piyasa fiyatı büyük ölçüde bitkinin çeşidine ve yetiştirildiği yere bağlıdır. Bugün tıbbi bir krizantemi diğerinden ayırt etmek genellikle uzman gözü, kimyasal testler veya genetik analiz gerektirir—bunlar saha koşullarında yavaş, pahalı ve kullanımı zor yaklaşımlardır. Bu çalışma, kameraya dayalı bir yöntem tanıtıyor: bilgisayarın yalnızca görüntülerden, renkleri yeni bir şekilde çok dikkatli inceleyerek krizantemleri hızlı ve doğru biçimde ayırmasını sağlıyor.

Çiçekleri kameranın gördüğü şekilde görmek

Çoğu dijital fotoğraf renkleri kırmızı, yeşil ve mavi (RGB) karışımları olarak depolar. Bu ekran için iyi çalışır ama özellikle ışık değiştiğinde insanların parlaklık ve ince renk farklılıklarını algılamasıyla her zaman örtüşmez. Yazarlar, krizantem çiçek başlarının—özellikle zengin yapı ve renk ipuçları taşıyan çiçeğin arkalarının—standart RGB görüntülerini alıp bunları LAB olarak bilinen ikinci bir renk sistemine dönüştürüyor. LAB’de bir kanal açık‑karanlık arasını izlerken, diğer iki kanal renklerin kırmızı‑yeşil ve sarı‑mavi eksenlerinde nasıl farklılaştığını tanımlar. Her iki sistemde aynı anda çalışarak yöntem, orijinal fotoğrafın ince ayrıntılarını korurken benzer çiçekler arasındaki daha kararlı, insan‑benzeri renk farklılıklarını da yakalayabiliyor.

Aynı çiçeğin iki paralel görünümü

Bu tamamlayıcı görünümlerden en iyi şekilde yararlanmak için araştırmacılar “çoklu yol” ağını tasarlıyor—esasen paralel çalışan iki uzman hattı. Bir hat her görüntünün RGB versiyonunu incelerken, diğeri LAB versiyonunu analiz ediyor. Her hat, kenarları, dokuları ve şekilleri seçmede başarılı modern konvolüsyon bloklarından oluşturuluyor. Erken katmanlar petal konturlarına ve küçük doku desenlerine dikkat ederken, daha derin katmanlar daha geniş yapıları özetliyor. Ağın çeşitli aşamalarında, her hattın öğrendikleri özellik haritaları üst üste konularak harmanlanıyor. Bu, modelin RGB’den gelen keskin konturları LAB’in daha yumuşak, aydınlatmaya dayanıklı renk yapısıyla tartmasını ve bunları her çiçeğin daha zengin bir içsel betimlemesine dönüştürmesini sağlıyor.

Dikkatin belirleyici ayrıntıları bulmasına izin vermek

Paralel hatlar çiçek görüntülerini kompakt özellik haritalarına dönüştürdükten sonra ikinci bir model türü devreye giriyor: bir görsel dönüştürücü (vision transformer). Dönüştürücüler başlangıçta dil için icat edilmişti ve uzun menzilli ilişkileri tespit etmede iyidir; şimdi görüntü analizinde de büyüyen bir rol oynuyorlar. Burada, füzyonlanmış krizantem özellikleri birçok küçük yama hâline kesilip dönüştürücüye veriliyor; dönüştürücü hangi yamaların çeşitleri ayırt etmek için en çok önemli olduğuna karar vermek üzere “dikkat” mekanizmasını kullanıyor. Bu küresel görüş, ağın yaprak tabanındaki ince renk farklılıklarını çiçek başının dışındaki desenlerle ilişkilendirmesine yardımcı olarak her çiçeğin türü ve menşei konusunda daha güvenilir bir yargıya yol açıyor.

Sistemi teste sokmak

Ekip hat sırlarını topladı: 18 krizantem çeşidinden ve 15 yetiştirme bölgesinden çiçeklerin arka ve önlerini içeren 9.000’den fazla fotoğraf; bazı çeşitler—örneğin Hangbai krizantemi—birçok farklı yörede temsil ediliyordu. Modeli bu veri kümesi üzerinde eğittiler ve değerlendirdiler, ardından görüntü tanımada yaygın olarak kullanılan tanınmış derin öğrenme mimarileriyle karşılaştırdılar. Sonuçlar çarpıcı: arkadan çekilmiş görüntüler üzerinde yeni yöntem kendi krizantem veri setlerinde yaklaşık %96–97 doğruluk ve standart bir halka açık çiçek görüntü benchmark’ında %99’un üzerinde doğruluk elde etti. Hem saf konvolüsyonel ağları hem de saf dönüştürücü modelleri içeren güçlü rakipleri geride bıraktı ve yalnızca yüksek doğruluk sağlamakla kalmayıp farklı krizantem kategorileri arasında istikrarlı performans gösterdi.

Üreticiler ve bitkisel tıp için bunun anlamı

Günlük terimlerle, çalışma dikkatle tasarlanmış bir görüntü analiz sisteminin tıbbi krizantemleri tanımada daha karmaşık laboratuvar yaklaşımlarının güvenilirliğiyle eşleşebileceğini—ve bazı durumlarda onu aşabileceğini—gösteriyor. İki farklı renk temsilini iki tamamlayıcı sinir ağı türüyle birleştirerek yöntem, farklı bölgelerden gelen birbirine benzeyen çiçekleri ayırt eden ince görsel ipuçlarını tespit edebiliyor. Bu pazar yerlerinde hızlı kalite kontrollerini destekleyebilir, kurutulmuş çiçek başlarının gerçekten nereden geldiğini izlemeye yardımcı olabilir ve sonunda kesin çeşit tanımlamasına dayanan diğer şifalı bitkilere de genişleyebilir. Bu tür araçlar laboratuvardan elde taşınır cihazlara veya ayırma makinelerine geçtiğinde, uzmanların “eğitilmiş gözü”nü şifalı bitkilerin yetiştirildiği, ticaretinin yapıldığı veya reçete edildiği her yere taşıma vaadinde bulunuyor.

Atıf: Jiang, J., Yang, X., Wang, T. et al. Chrysanthemum classification via color space fusion transformer. Sci Rep 16, 9397 (2026). https://doi.org/10.1038/s41598-026-40027-2

Anahtar kelimeler: krizantem sınıflandırması, bitki görüntü tanıma, renk uzayı füzyonu, görsel dönüştürücü, şifalı bitkiler