Geliştirilmiş pirinç yaprağı hastalığı tanılaması için EfficientNetV2’nin yönlendirilmiş filopik difüzyon ile entegrasyonu

Neden Sağlıklı Pirinç Yaprakları Önemlidir

Pirinç dünya nüfusunun yarısından fazlasını besler ve çoğu Asya’da yetişir; hasattaki küçük değişiklikler gıda fiyatlarını, aile gelirlerini ve hatta ulusal gıda güvenliğini etkileyebilir. Bakteriyel yaprak yanıklığı, yaprak köseleme (veya patlama) ve kahverengi leke gibi üç yaygın yaprak hastalığı, pirinç verimini sessizce azaltarak bazen yıkıcı kayıplara yol açabilir. Çiftçiler genellikle bu hastalıkları gözle tespit eder; bu, zaman, eğitim ve çok sayıda saha ziyareti gerektirir. Bu çalışma, akıllı bir görüntü tabanlı sistemin pirinç yapraklarındaki erken uyarı işaretlerini otomatik olarak okuyarak çiftçilerin daha önce müdahale etmesine, daha az kimyasal kullanmasına ve hem mahsullerini hem de çevreyi korumasına nasıl yardımcı olabileceğini araştırır.

Pirinç Yapraklarının Başlıca Tehditleri

Yazarlar önce bu hastalıkların neden bu kadar önemli olduğuna dair çerçeve çizer. Suda yaşayan bir mikroorganizmanın yol açtığı bakteriyel yaprak yanıklığı nemli tarlarda hızla yayılır ve verimi üçte bir kadar azaltabilir. Hızla yayılan bir mantarın neden olduğu yaprak köseleme, yaprakları, sapları ve tane uçlarını yaralayarak şiddetli salgınlarda neredeyse tam mahsul kaybına yol açabilir. Başka bir mantar hastalığı olan kahverengi leke, bir zamanlar 1943 Bengal kıtlığının tetikleyicilerinden biriydi ve hâlâ zayıf toprak beslenmesi ve değişken hava koşullarında yaygın olarak görülür. Bu üç hastalık, pirinç çeşitlerine, büyüme evrelerine, aydınlatmaya ve saha koşullarına göre ince farklılıklar gösterebilir; bu da onları çıplak gözle veya basit bilgisayar programlarıyla güvenilir şekilde tespit etmeyi zorlaştırır.

Bilgisayarlara Yaprak İpuçlarını Öğretmek

Derin sinir ağları olarak adlandırılan modern görüntü tanıma sistemleri fotoğraflarda köpekleri kedilerden ayırt etmede zaten iyidir; burada zorluk sağlıklı pirinç yapraklarını benzer üç hastalığa sahip yapraklardan ayırmaktır. Yazarlar, resimlerden zengin desenler çıkaracak şekilde tasarlanmış ancak makul donanımlarda çalışacak kadar verimli olan kompakt ama güçlü EfficientNetV2 ağı üzerine inşa eder. Bu modeli, farklı aydınlatma ve arka plan koşullarını kapsayan, titizce derlenmiş 4.684 yüksek çözünürlüklü pirinç yaprağı görüntüsünden oluşan açık bir veri kümesi üzerinde eğitirler. Ağ, her hastalığı işaret eden noktalar, çizgiler ve yamalar gibi ince görsel ipuçlarını öğrenir ve hangi hastalığın mevcut olduğunu ile birlikte güven skorunu verir.

Tanı Öncesi Görüntüleri Temizlemek

Bu çalışmadaki kilit yenilik, görüntüler ana ağa ulaşmadan önce gerçekleşen işlemdir. Saha fotoğrafları düzensizdir: yapraklar üst üste gelebilir, arka planlar karmaşık olabilir ve ışık gün boyunca değişir. Bunu ele almak için ekip, yönlendirilmiş filopik difüzyon adını verdikleri bir ön işleme adımı tanıtır. Günlük anlatımla, bu yaprak üzerindeki lezyonların keskin kenarlarını ve ince dokularını korurken arka plan gürültüsünü gideren zekice bir dijital yumuşatma biçimidir. Tüm görüntüyü bulanıklaştırmak yerine, bu süreç teşhis için muhtemel olan sınırları ve leke şekillerini seçici biçimde vurgular. Temizlenmiş ve keskinleştirilmiş görüntüler daha sonra EfficientNetV2 modeline aktarılır; böylece model gerçek hastalık desenlerine daha fazla, dikkat dağıtan karışıklığa daha az odaklanabilir.

Sistemin Başarımı Ne Düzeyde

Yaklaşımlarının gerçekten teşhisi iyileştirip iyileştirmediğini değerlendirmek için yazarlar, aynı koşullar altında test edilen ResNet, DenseNet, MobileNet ve diğer EfficientNet varyantları gibi birkaç tanınmış görüntü analiz modeliyle karşılaştırma yapar. Sistemin yalnızca genel doğruluğunun ne kadar yüksek olduğunu değil, aynı zamanda tahmin edilen hastalıklı alanların yapraktaki gerçek lezyonlarla ne kadar örtüştüğünü de ölçerler. Yönlendirilmiş difüzyon ile EfficientNetV2’nin birleşimi yaklaşık %98–99 doğruluğa ulaşır; hastalıklı yaprakları doğru yakalama ve yanlış alarmlardan kaçınma konusunda mükemmel puanlar sergiler. Ayrıca düşük kontrastlı ya da erken belirtileri tespit etmede özellikle güçlü performans gösterir; bu tür küçük iyileşmeler zamanında bir ilaçlama ile kaçırılan bir salgın arasındaki farkı yaratabilir.

Çiftçiler ve Gıda Güvenliği İçin Anlamı

Pratik açıdan bu araştırma, akıllı görüntü temizliği ile iyi ayarlanmış bir tanıma ağının sıradan pirinç yaprağı fotoğraflarını güvenilir hastalık uyarılarına dönüştürebileceğini gösteriyor. Bu tür bir sistem nihayetinde bir telefon uygulamasına veya düşük maliyetli bir kamera ünitesine entegre edilerek tarlaları tarayabilir ve sorunları yayılmadan önce işaretleyebilir. Mevcut model her yaprak için yalnızca bir hastalığı tanımlamakta ve tek bir titiz veri kümesi üzerinde test edilmiştir; yazarlar, görüntü koleksiyonlarını genişletmenin ve çeşitlendirmenin, difüzyon adımını hızlandırmanın ve çoklu enfeksiyonları ele almanın gerçekçi sonraki adımlar olduğunu savunuyorlar. Bu zorluklar aşılırsa, bu tür araçlar çiftçilerin yalnızca gereken yerlere işlem uygulamasına, kimyasal kullanımını azaltmasına ve açlığı azaltırken daha sürdürülebilir tarım hedeflerini desteklemesine yardımcı olabilir.

Atıf: Kumar, V.V., Rajesh, P. & Krishnamoorthy, N. Integrating EfficientNetV2 with guided filopic diffusion for enhanced rice leaf disease recognition. Sci Rep 16, 13369 (2026). https://doi.org/10.1038/s41598-026-41654-5

Anahtar kelimeler: pirinç yaprağı hastalığı tespiti, tarımda derin öğrenme, görüntü tabanlı mahsul teşhisi, <keyword>kesin tarım