Meyve hastalığı tanımlaması için görsel açıklama sunan hibrit konvolüsyon ve dikkat tabanlı çerçeve

Neden Daha Akıllı Meyve Kontrolleri Önemli

Kahvaltı muzlarından smoothielerdeki çileklere kadar meyve günlük beslenmenin temel unsurlarından biridir—aynı zamanda dünya genelinde çiftçiler için büyük bir gelir kaynağıdır. Ancak gizli lekeler, çürüme ve mantar enfeksiyonları hasatları sessizce yok edebilir, raf ömrünü kısaltabilir ve fiyatları yükseltebilir. Bu çalışma, gelişmiş ama hafif bir yapay zeka sisteminin basit fotoğraflardan yaygın meyvelerdeki hastalıkları otomatik olarak nasıl tespit edebileceğini ve her kararı verirken "neyi incelediğini" insanlara görsel olarak nasıl gösterebileceğini araştırıyor.

Hastalıklı Meyvenin Yarattığı Sorun

Muz, üzüm, limon, mango ve çilek gibi meyve ürünleri, mantarlar, bakteriler, virüsler ve besin eksiklikleri kaynaklı geniş bir hastalık yelpazesine açıktır. Bu sorunlar genellikle yaprakta küçük lekeler, renk değişimleri veya meyve yüzeyinde çürüme alanları olarak ortaya çıkar. Geç fark edilirse enfeksiyonlar bahçeler içinde hızla yayılır, verimi düşürür ve çiftçileri kimyasal kullanımı ile emek yoğun denetimlere daha fazla harcama yapmaya zorlar. Geleneksel teşhis, tarlada yürüyen ve bitkileri görsel olarak inceleyen uzmanlara dayanır—bu süreç yavaş, öznel ve geniş ölçekli çiftliklere uyarlanması zordur. Erken veya sinsi belirtiler kolayca kaçırılır, özellikle değişen ışık koşullarında, karmaşık arka planlarda veya meyveler çeşitler arasında benzer göründüğünde.

Bilgisayarlara Meyve Kusurlarını Görmeyi Öğretmek

Araştırmacılar görüntülerden doğrudan desenler öğrenen bir yapay zeka biçimi olan derin öğrenmeye yöneldi. Beş meyve türünü gösteren ve her bir örneğin sağlıklı veya çürük olarak etiketlendiği 22.457 fotoğraftan oluşan açık bir veri seti kullandılar. Görüntüler dikkatle yeniden boyutlandırıldı, renk düzeltmesi yapıldı ve gerçek dünya değişkenliğini taklit etmek ve dar koşullara aşırı uyumu önlemek için döndürmeler, ters çevirme ve gürültü ile artırıldı. Yerel doku ve kenarların yakalanmasında başarılı olan iki konvolüsyonel sinir ağı tabanlı ve görüntü genelinde uzun menzilli ilişkileri yakalamada iyi olan iki dönüştürücü (transformer) mimarisi olmak üzere dört güçlü mevcut model kıyaslama için test edildi. Her model meyve veri setinde yeniden eğitildi ve doğruluk, çapraz doğrulama altında dayanıklılık ve hesaplama maliyeti açısından değerlendirildi.

Hem Detayı Hem Bütünü Görebilen Hibrit Bir Model

Bu temel modellerin güçlü ve zayıf yanları üzerine kurulan yazarlar, CoAT‑AgriLite adında yeni bir hibrit model tasarladı. Model, küçük lezyonlar veya yüzey pürüzlülüğü gibi ince mekansal detaya odaklanan bir konvolüsyonel "gövde" ile meyvenin farklı bölgelerinin tüm görüntü boyunca birbirleriyle nasıl ilişkili olduğunu yakalayan dönüştürücü ağlardan alınmış dikkat bloklarını birleştirir. Basitçe bir konvolüsyonel ağı bir dönüştürücünün ardına istiflemek yerine, CoAT‑AgriLite ara noktada özellikleri harmanlayarak yerel ve küresel bilgilerin doğrudan etkileşmesine izin verir. Tasarım kasıtlı olarak hafiftir: tipik dönüştürücü modellerine göre daha az parametre ve daha az kayan nokta işlemi kullanır, bu da onu mobil telefonlar, drone’lar veya paketleme tesislerindeki uç cihazlar gibi sınırlı donanımlarda gerçek zamanlı kullanım için uygun kılar.

Yapay Zekanın Kararlarını Nasıl Aldığını Görmek

Tarımda yanlış bir karar israf edilen meyveye veya kontrolsüz hastalık yayılımına yol açabileceğinden doğruluk tek başına yeterli değildir. Güven oluşturmak için ekip Grad‑CAM olarak bilinen bir açıklanabilirlik aracını entegre etti. Her tahmin için Grad‑CAM, modelin kararına en çok katkıda bulunan meyve görüntüsü bölgelerini vurgulayan bir ısı haritası üretir. Sağlıklı meyvelerde dikkat eşit olarak dağılır veya düşük kalırken, hastalıklı meyvelerde koyu lekelerin, renk değişimi gösteren yamaların veya yumuşamış bölgelerin etrafında yoğunlaşır. Deneyler, modelin aktivasyon enerjisinin yüzde 90’dan fazlasının arka plan karmaşasından ziyade gerçek lezyon alanlarına düştüğünü gösterdi ve nadir hatalarının bile genellikle tamamen rastgele gürültü yerine son derece ince veya kısmen gizlenmiş hasar içeren görüntülerle ilişkili olduğu görüldü.

Ne Kadar İyi Çalışıyor ve Neden Önemli

Kapsamlı testlerde CoAT‑AgriLite açıkça tüm dört kıyas modeli ve daha önce yayımlanmış çeşitli sistemleri geride bıraktı. Görülmemiş test görüntülerinde genel doğruluk oranı yüzde 99,37 olarak gerçekleşti, her meyve türü için benzer şekilde yüksek hassasiyet, geri çağırma ve F1 skorları elde edildi; bu da modelin hastalıklı örnekleri nadiren kaçırdığını ve yanlış alarmı nadiren verdiğini gösteriyor. Ayrıca daha karmaşık, daha ağır modellerle eşleşti ya da onları geride bıraktı ve daha az hesaplama gerektirdi; bu da özenli hibrit tasarımın hem güçlü hem de verimli olabileceğini doğruluyor. Uzman olmayanlar için temel mesaj şudur: kompakt, açıklanabilir bir yapay zeka artık sıradan meyve fotoğraflarına bakıp hastalığı güvenilir şekilde işaretleyebilir ve seçimlerini görsel olarak gerekçelendirebilir. Bu tür sistemler çiftçilere, ziraat mühendislerine ve tedarik zinciri yöneticilerine ürün sağlığını izlemede, ayırma hatlarını otomatikleştirmede ve israfı azaltmada destek olabilir—bahçeden sofraya daha şeffaf ve düşük maliyetle daha sağlıklı meyve ulaştırmaya yardımcı olur.

Atıf: Kothandaraman, R., Srinivasan, S., Mathivanan, S. et al. A hybrid convolution and attention-based framework with visual explanation for fruit disease identification. Sci Rep 16, 12771 (2026). https://doi.org/10.1038/s41598-026-42135-5

Anahtar kelimeler: meyve hastalığı tespiti, açıklanabilir Yapay Zeka, derin öğrenme, bilgisayarlı görü, precisyon tarım