Morfolojik görüntü özellik iyileştirmesi ile YOLO kullanan optimize edilmiş buğday tohumu sınıflandırması

Neden daha iyi buğday sınıflandırması önemli

Buğday milyarlarca insan için günlük bir gıdadır ve tek tek tanelerdeki küçük kusurlar, çiftçilerin geliri ile sofradaki ekmeğin kalitesi dahil pek çok şeyi sessizce etkileyebilir. Bugün çoğu buğday kalite kontrolü hâlâ insanların numuneleri gözle incelemesine dayanıyor; bu yavaş ve öznel bir süreç olup ince kusurlarla başa çıkmakta zorlanıyor. Bu makale, akıllı kameralar ve insan denetçilerinin sıkça kaçırdığı ince çatlakları, çekilmeyi ve enfeksiyonları görebilen algoritmalar kullanarak buğday tohumlarını otomatik ve daha hızlı derecelendirmenin yeni bir yolunu araştırıyor.

Elle incelemenin sorunu

İlk bakışta bir buğday tanesi diğerine çok benzer görünür. Ancak şekil, yüzey pürüzsüzlüğü ve mikro çatlaklar gibi küçük farklılıklar sağlıklı taneleri kırık, çekilmiş veya hastalıklı olanlardan ayırır. Gerçek dünya koşullarında—loş veya düzensiz aydınlatma, toz, üst üste binen taneler—bu ayrıntılar, eğitimli personel için bile görmek zor olur. Önceki bilgisayar sistemleri boyut ve renk gibi basit ölçümler veya özenle hazırlanmış görüntüler üzerinde eğitilmiş makine öğrenimi modelleri kullanarak yardımcı olmaya çalıştı. Ümit verici olmakla birlikte, bu sistemler genellikle taneler kötü aydınlatıldığında, kısmen gizlendiğinde veya kusurlar çok küçük ve düşük kontrastlı olduğunda başarısız oluyordu.

Bilgisayarlara ince ayrıntıları öğretmek

Yazarlar, klasik görüntü temizleme yöntemlerini ve fotoğraf ve videolardaki gündelik nesneleri tespit etmek için yaygın olarak kullanılan modern bir nesne algılama motoru olan YOLO'yu birleştiren Y-MFEP adında geliştirilmiş bir görüntü işleme hattı öneriyor. Algılama adımından önce, her buğday tanesinin görüntüsü tanelerin görünümünü ince şekilde yeniden şekillendiren bir dizi işlemden geçirilir. Bu işlemler kenarları vurgular, gürültüyü yumuşatır, küçük boşlukları doldurur ve çatlakların, olukların veya mantar lekelerinin ortaya çıkma eğiliminde olduğu tane yüzeyindeki küçük parlak noktaları öne çıkarır. Bu işlemlerin şekil ve boyutları tipik buğday tane geometrisine göre dikkatle ayarlandığında, tohumları bozmadan kusurların görünürlüğü artar.

Orijinal ve iyileştirilmiş görüntüleri harmanlama

Orijinal resmi atmak yerine sistem onu iyileştirilmiş sürümle birleştirerek daha zengin çok kanallı bir görüntü oluşturur. Bu harmanlanmış görünüm hem doğal renk ve doku bilgilerini hem de keskinleştirilmiş yapısal ipuçlarını içerir. YOLO daha sonra bu birleştirilmiş girdiyi işleyerek her bir taneyi bulur, sağlıklı mı yoksa kusurlu mu olduğunu değerlendirir ve kusurun türü ile şiddetini tahmin eder. Arkada, algılayıcı küçük ve büyük tanelerle başa çıkmak için çoklu ölçekler kullanır ve özellik haritalarını birleştirmenin sade bir yolunu benimser; böylece tüm süreç sıradan bir bilgisayarda, grafik kartı olmadan bile gerçek zamanlı kullanım için yeterince hızlı kalır.

Sistemi teste sokmak

Bu yaklaşımın gerçekten işe yarayıp yaramadığını anlamak için yazarlar Y-MFEP'yi, destek vektör makineleri, en yakın komşu sınıflandırıcılar ve optimize edilmiş sığ bir sinir ağı gibi birkaç yerleşik yöntemle karşılaştırıyor. Sadece genel doğruluğu değil, aynı zamanda tane kenarlarının ne kadar net göründüğünü, kusurların ne kadar güvenilir tespit edildiğini, her yöntemin küçük veya birbirine binen tanelerle nasıl başa çıktığını ve gürültüye karşı duyarlılığını da değerlendiriyorlar. Bu ölçütlerin tümünde yeni hat belirgin kazanımlar gösteriyor: kenar netliğini artırıyor, yanlış alarmları düşük tutarken daha fazla kusurlu taneyi tespit ediyor ve görüntüler gürültülü veya kusurlar son derece küçük olduğunda bile güçlü performansını koruyor. Önemli olarak, görüntü başına birkaç milisaniye düzeyinde işleme hızlarına ulaşıyor; bu da yüksek verimli tahıl ayırma hatlarıyla uyum sağlayabileceğini düşündürüyor.

Çiftlikler ve gıda için bunun anlamı

Bir uzman olmayan için çıkarılacak sonuç basit: bu araştırma buğday için daha akıllı bir “mekanik göz” sunuyor. Algılama ağına ince şekilde iyileştirilmiş görüntülere bakmayı öğretmek suretiyle sistem, birçok mevcut araçtan daha güvenilir bir biçimde sağlıklı, kırık, çekilmiş ve enfekte taneleri ayırt edebiliyor ve bunu endüstriyel hızlarda yapabiliyor. Çalışma nispeten mütevazı bir veri seti kullanıyor ve gerçek dünya görüntülerinin daha geniş koleksiyonlarına ihtiyaç olduğuna işaret etse de, sonuçlar bu tür hibrit yöntemlerin otomatik sınıflandırmayı hem daha doğru hem de daha pratik hale getirebileceğini gösteriyor. Zamanla, Y-MFEP benzeri yaklaşımlar, tahıl alıcıları ve çiftçilerin daha adil, daha hızlı kararlar almasına, israfı azaltmasına ve gıda zincirine giren buğdayın tutarlı biçimde yüksek kalitede olmasını sağlamasına yardımcı olabilir.

Atıf: Deepika, B., Shanmugapriya, N. & Gopi, R. Optimized wheat seed classification using YOLO with morphological image feature enhancement. Sci Rep 16, 11448 (2026). https://doi.org/10.1038/s41598-026-41846-z

Anahtar kelimeler: buğday tohumu kalitesi, bilgisayarlı görü, YOLO tespiti, görüntü iyileştirme, otomatik tahıl derecelendirme