Kenarda bilişim ortamlarında domates hastalığı sınıflandırması için hafif derin öğrenme modellerinin kapsamlı değerlendirmesi

Domates Bitkileri için Daha Akıllı Gözler

Dünya genelinde domates mahsulleri yaprak hastalıkları nedeniyle potansiyel hasadının büyük bir kısmını kaybediyor. Bugün çiftçiler yaprakların fotoğraflarını telefon veya saha kamerasıyla çekerek yapay zekânın (YZ) sorunları erken tespit etmesini sağlayabiliyor. Ancak bir sorun var: en doğru YZ modellerinin birçoğu, sahadaki veya seradaki düşük maliyetli cihazlarda çalıştırılamayacak kadar ağır. Bu çalışma pratik bir soruyu soruyor: hangi kompakt YZ modelleri hem domates hastalıklarını doğru şekilde tespit edebiliyor hem de bitkilere yakın, küçük ve ucuz donanımda hızlı çalışabiliyor?

Domates Yaprak Fotoğrafları Neden Önemli

Domates hastalıkları genellikle ilk olarak yapraklarda lekeler, küfler veya renk değişimleri şeklinde ortaya çıkar; bunları erken yakalamak ciddi verim kayıplarını önleyebilir. Yazarlar, PlantVillage adında popüler bir halka açık görüntü koleksiyonunu temel alarak sağlıklı bitkiler dahil dokuz hastalığı kapsayan 18.000’den fazla domates yaprağı fotoğrafına odaklanıyor. Tüm görüntüler standart hale getiriliyor ve eğitim sırasında aydınlatma, yakınlaştırma ve küçük pozisyon kaymaları gibi gerçek dünya değişimlerini taklit etmek için hafifçe değiştirilerek modeli gerçek koşullara hazırlıyor. Bu, araştırmacıların farklı YZ modellerinin erken yanıklığı geç yanıklıktan veya sağlıklı bir yaprağı virüsle enfekte olmuş bir yapraktan ayırt etme gibi görsel desenleri ne kadar iyi öğrendiğini test etmelerini sağlıyor.

Birçok Küçük Beyin İlhamlı Modelin Karşılaştırılması

Tek başına yeni bir model tasarlamak yerine ekip, yedi kompakt derin öğrenme mimarisi arasında adil bir yarış düzenliyor. Bazıları VGG16, ResNet50 ve DenseNet121 gibi birçok görevde başarılı olmuş klasik görüntü tanıma ağları. Diğerleri ise telefonlar ve gömülü cihazlarda iyi çalışacak şekilde özel olarak oluşturulmuş daha yeni tasarımlar; örneğin MobileNetV3-Small, ShuffleNetV2 ve SqueezeNet. Son yarışmacı MobilePlantViT ise iki fikri birleştiren bir melez: görüntünün küçük bölgelerindeki ince ayrıntıları yakalayan geleneksel evrişim katmanları ile yaprağın uzak kısımlarını bağlayıp hastalığın genel desenini kavrayan dönüştürücü-benzeri dikkat mekanizmasını bir araya getiriyor.

YZ’nin Kararlarının İçine Bakmak

Çiftçiler ve ziraat mühendislerinin bu modellere güvenmesi için yalnızca doğru olmaları yeterli değil—aynı zamanda anlaşılabilir olmaları gerekiyor. Bu nedenle yazarlar, her yaprak görüntüsü üzerinde hangi bölgelerin kararı en çok etkilediğini gösteren ısı haritaları oluşturan üç popüler “açıklanabilir YZ” tekniğini kullanıyor: Grad-CAM, LIME ve SHAP. Bu renkli haritalara sadece göz gezdirmekten öteye geçmek için ekip, Bozulma Kararlılık Skoru (Perturbation Stability Score) adını verdikleri yeni bir puan sunuyor. Bir görüntüye birçok kez biraz gürültü ekleyip açıklama haritalarının ne kadar değiştiğini karşılaştırarak her açıklama yönteminin ne kadar kararlı ve güvenilir olduğunu ölçebiliyorlar. Modeller arasında SHAP genellikle en kararlı açıklamaları verirken, Grad-CAM insan beklentileriyle iyi örtüşen hastalıklı alanların net, yüksek çözünürlüklü vurgularını sunuyor.

Gerçek Cihazlarda Hız ve Güç Tüketimi

Çiftlik araçları genellikle grafik işlemcisi olmayan düşük maliyetli işlemcilere dayandığı için araştırmacılar her modelin standart masaüstü CPU’larda ve akıllı kameralarda kullanılan donanıma benzer küçük, uygun fiyatlı bir bilgisayar olan Raspberry Pi 5 üzerinde ne kadar hızlı çalıştığını ölçüyor. Model boyutunu, bir görüntü başına temel matematiksel işlem sayısını ve farklı iş parçacığı ayarları altındaki tek fotoğraf işleme süresini takip ediyorlar. VGG16 gibi standart ağlar mükemmel doğruluk sağlasa da çok büyük ve yavaş; SqueezeNet gibi çok küçük modeller hızlı çalışıyor ama özellikle daha zorlu, gürültülü saha koşullarında bir miktar doğruluk kaybediyor. MobilePlantViT öne çıkıyor: temiz görüntülerde %99’un üzerinde doğruluğa ulaşıyor, daha gerçekçi testlerde de rekabetçi kalıyor; buna karşın bellek ve hesaplama kullanımında çok daha az yer kaplayıp sınırlı donanımda bile neredeyse gerçek zamanlı performans sağlıyor.

Geleceğin Akıllı Çiftlikleri İçin Ne Anlama Geliyor

Genel olarak çalışma, dikkatle tasarlanmış hafif modellerin bağlantı ve enerji kısıtlı olduğu tarla kenarında yüksek düzeyde görüntü tanımayı mümkün kılabileceğini gösteriyor. Test edilen tüm mimariler arasında MobilePlantViT, keskin teşhis, hesaplama kaynaklarının verimli kullanımı ve modelin hastalığı tahmin ederken “neye baktığını” gösteren net görsel açıklamaların en iyi birleşimini sunuyor. Üreticiler ve teknoloji geliştiriciler için bu, telefonlara, insansız hava araçlarına veya sera raylarına monte edilebilecek küçük, ucuz cihazların domates bitkilerini sürekli tarayabileceği, şüpheli yaprakları vurgulayabileceği ve uyarılarını ziraat mühendislerinin doğrulayabileceği ve güvenebileceği biçimde gerekçelendirebileceği bir geleceğe işaret ediyor.

Atıf: Hoang, TM., Bui, VH., Nguyen, VS. et al. A comprehensive evaluation of lightweight deep learning models for tomato disease classification on edge computing environments. Sci Rep 16, 12320 (2026). https://doi.org/10.1038/s41598-026-42439-6

Anahtar kelimeler: domates hastalığı tespiti, edge AI, hafif derin öğrenme, görsel dönüştürücü, açıklanabilir yapay zeka