İHA görüntüleri ve geliştirilmiş bir PointNext tabanlı yeni bir tütün bitkisi yaprak sayma yöntemi

Gökyüzünden Yaprak Saymanın Neden Önemli Olduğu

Bir üründe kaç yaprak olduğu kulağa küçük bir ayrıntı gibi gelebilir, ama tütün yetiştiricileri için bu doğrudan bitki sağlığına ve gelecekteki verime dair bir pencere sunar. Bugün işçiler hâlâ tarlalarda yürüyüp yaprakları elle sayıyor; bu, modern plantasyonlara ölçeklenemeyen, yavaş, yorucu ve maliyetli bir iştir. Bu çalışma, dronlar, 3B görüntüleme ve yapay zekânın bir araya gelerek gerçek tarlarda yetişen tütün bitkilerindeki yaprakları otomatik olarak sayabileceğini gösteriyor; böylece gübreleme yönlendirmesi, hasat tahmini ve daha iyi çeşitlerin ıslahını destekleyecek daha hızlı ve daha kesin bir yol sunuluyor.

Dron Uçuşlarından Tarlanın 3B Görünümüne

Araştırmacılar ilk olarak uçan kameralar olarak dronlara yöneldi. Çin’in Yunnan bölgesindeki tütün tarlalarının üzerinde ticari bir quadcopter uçurarak ilgi alanlarındaki parsellere farklı yüksekliklerden ve dik açılardan yüksek çözünürlüklü fotoğraflar çektiler. Fotogrametri yazılımı kullanılarak bu çakışan görüntüler bitkilerin ayrıntılı üç boyutlu modellerine dönüştürüldü. Her bitki daha sonra 3B uzaydaki kendi nokta bulutu olarak çıkarıldı; burada her nokta bir sap, yaprak ya da toprak ve komşu bitki örtüsü gibi çevresel karmaşıklık üzerinde küçük bir alanı temsil eder. Bu adım, düz fotoğraflarda örtüşen yaprakları bile açığa çıkarabilecek zengin bir 3B betimlemeye dönüştürür.

Bilgisayara Bireysel Yaprakları Görmeyi Öğretmek

Bu 3B nokta bulutlarından yararlanmak için ekip büyük ve özenle etiketlenmiş bir veri seti oluşturdu. 1.000 bireysel bitki modeli topladılar ve her noktayı hedef yapraklara, saplara, diğer bitkilere veya gürültüye ait olacak şekilde elle etiketlediler. Bu eğitim materyaliyle, modern bir 3B derin öğrenme ağı olan PointNext’i tarladaki ürünlere uyarlanmış yeni bir sürüm olan SRW-PointNext’e rafine ettiler. Üç temel iyileştirme eklendi: ağın en bilgi verici mekânsal ve renk desenlerine odaklanmasını sağlayan bir dikkat (attention) modülü; çok sayıda yaprak noktasının sap ve arka plan gibi daha az yaygın sınıfları bastırmasını engelleyen revize edilmiş bir kayıp (loss) fonksiyonu; ve nokta bulutunun parçaları eksik veya eşitsiz olduğunda ince ayrıntıları daha iyi geri kazanan güçlendirilmiş bir çıktı başlığı.

Segmentlenmiş Bulutları Yaprak Sayısına Dönüştürmek

SRW-PointNext her 3B noktayı etiketlemeyi öğrendikten sonra model bir bitkinin nokta bulutunu yaprak ve yaprak olmayan kısımlara ayırabildi. Ancak bilim insanlarının hâlâ gerçekte kaç yaprak olduğunu bilmeleri gerekiyordu. Bunun için MeanShift adlı kümeleme yaklaşımına başvurdular. Basitçe söylemek gerekirse, algoritma üç boyutta yaprak noktalarının yoğun cephelerini arar; her yoğun cep bir yaprağa karşılık gelir. Tek bir “bandwidth” (bant genişliği) ayarı, algoritmanın noktaları ne kadar sıkı veya gevşek grupladığını kontrol eder. Çok küçük bir ayar bir yaprağı yapay kümelere böler ve sayımı şişirir; çok büyük bir ayar yakın yaprakları birleştirir ve sayımı düşürür. Bu ayarı dikkatle ayarlayarak, araştırmacılar segmentlenmiş yaprak noktalarını gerçekçi, bireysel yapraklar halinde gruplayabildiler.

Yöntemin Başarı Performansı

Doğruluğu test etmek için ekip otomatik sayımları 230 tarlalık bitki için titizlikle yapılan elle sayımlarla karşılaştırdı. Dron görüntülemesi, 3B yeniden yapılandırma, SRW-PointNext segmentasyonu ve ardından MeanShift kümeleme adımlarından oluşan boru hattı yaklaşık %92,6 yaprak sayma doğruluğuna ulaştı. Geliştirilmiş ağ ayrıca yüksek kaliteli segmentasyon elde etti: yaklaşık %92 doğruluk (precision) ve %76 ortalama kesişim-bölme (intersection-over-union), PointNet, PointNet++, RandLA-Net ve orijinal PointNext gibi birkaç popüler 3B nokta bulutu yöntemini geride bıraktı. Önemli olarak, bu doğruluk artışı yalnızca ölçülü bir hesaplama maliyeti artışıyla elde edildi; bu da yaklaşımın büyük ölçekli taramalar için pratik olduğunu düşündürüyor.

Geleceğin Tarımı İçin Anlamı

Uzman olmayan biri için temel mesaj açık: dronlar, 3B modelleme ve yükseltilmiş bir yapay zekâ modeli birleştirildiğinde araştırmacılar artık gerçek tarlardaki tütün yapraklarını insanlara neredeyse eşdeğer doğrulukla, fakat çok daha hızlı ve çok daha geniş alanlarda sayabiliyor. Bu, yaprak sayımını defter ve saha gezilerinden otomatik, veri zengini bir sürece taşıyarak dijital ürün yönetimi sistemlerine veri sağlayabilir. Mevcut çalışma bir büyüme aşamasındaki tütüne odaklanmış ve iyi 3B yeniden yapılandırmalara dayansa da aynı strateji diğer ürünlere ve mevsimlere genişletilebilir. Zamanla bu tür araçlar, çiftçilerin bitki büyümesini izlemelerine, girdileri ince ayarlamalarına ve çok daha az elle çabayla daha iyi performans gösteren çeşitleri seçmelerine yardımcı olan rutin yardımcılar haline gelebilir.

Atıf: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Anahtar kelimeler: tütün fenotiplendirmesi, drone tarımı, 3B nokta bulutları, yaprak sayımı, tarımda derin öğrenme