Tıbbi bitki tanıma ve aspir (keklikotu) genotip sınıflandırması için birleşik EfficientSwinB tabanlı çerçeve

Daha akıllı bitki tanımlamanın önemi

Mutfak otlarından geleneksel şifalara kadar, sağlığımızı destekleyen birçok bitki şaşırtıcı derecede benzer görünür. Gözle ayırt edebilmek yıllar süren eğitim gerektirir ve hatalar ilaç kalitesini, tarımsal kararları ve biyolojik çeşitliliği koruma çabalarını etkileyebilir. Bu çalışma, gündelik fotoğraflardan tıbbi bitkileri tanıyabilen ve hatta yapraklarından çok yakın akraba aspir çeşitlerini ayırt edebilen yeni bir yapay zeka (YZ) çerçevesi sunar. Bitki tanımlamayı daha hızlı ve güvenilir hale getirerek, eczacılar, çiftçiler ve doğa koruma uzmanları için pratik araçlara işaret ediyor.

Yaprak fotoğraflarından güvenilir yanıtlara

Yazarlar bitki tanımanın en zor versiyonlarından birine odaklanıyor: doğrudan yaprak görüntülerinden çalışmak. Tıbbi bitkilerin açık alan fotoğrafları toprak, gölgeler ve diğer bitkilerle karışık olur; birçok tür ise neredeyse aynı şekil ve damar desenlerine sahiptir. Geleneksel bilgisayarlı görme yöntemleri büyük, dikkatle düzenlenmiş veri kümeleri gerektiriyordu ve bu çeşitlilikle hâlâ zorlanıyordu. Burada araştırmacılar, bir görüntüyü küçük parçalardan oluşan bir koleksiyon olarak ele alan ve bu parçalar arasındaki ilişkileri öğrenen görsel dönüştürücüler (vision transformer) ailesine dayanıyor. Amaçları hem yabani ortamda geniş tür tanımayı hem de laboratuvarda mahsul çeşitleri arasındaki ince ayrımları tek bir çerçevede ele alabilmek.

Tıbbi bitkiler için daha yalın ve keskin bir bakış

Genel tıbbi bitki tanıma için ekip EfficientSwinB-SE adını verdikleri bir model öneriyor. Bu model, hem yerel ayrıntıları hem de daha geniş sahneyi yakalamak için görüntünün örtüşen pencerelerine bakan popüler bir görsel dönüştürücü olan Swin Transformer’dan başlıyor. İlk iyileştirme budama adımı: model erken görüntü işleme katmanındaki en az yararlı bağlantıları otomatik olarak kaldırıyor; böylece genel yapıyı değiştirmeden iç hesaplamalarını inceltiyor. İkinci iyileştirme ise sıkıştırma-ve-dikkat (squeeze-and-excitation) bloğu; bu blok modele bazı görsel kanallara diğerlerinden daha fazla ağırlık vermeyi öğretiyor — bir bitki bilimcinin damar yapısına veya kenar dokusuna özel dikkat gösterip dikkat dağıtan arka plan piksellerini görmezden gelmesine benzer şekilde.

Aspir ailesindeki farklılıklara yakın çekim

Tek bir mahsul içindeki çeşitleri tanımak, türleri ayırt etmekten bile daha zordur çünkü görsel farklılıklar son derece ince olabilir. Bunu ele almak için yazarlar çerçeveyi aspir genotipi — ıslahta kullanılan genetik hatlar — için uyarlanmış OLSF-EfficientSwinB-SE adlı ikinci bir modele genişletiyorlar. Laboratuvar ortamında önce damar yönlerini ve ince dokuyu vurgulayan "Optimal Leaf Structure Feature" (OLSF) işlemiyle yaprak görüntülerini geliştiriyorlar. Bu geliştirilmiş görüntüler daha sonra budanmış ve dikkat mekanizmalı aynı dönüştürücü omurgaya veriliyor. Bu birleşim, YZ’nin bir aspir hattını diğerinden ayıran küçük ama biyolojik olarak anlamlı yapısal ipuçlarına odaklanmasını sağlıyor; bu da daha hassas ıslah ve genetik kaynak yönetimini destekliyor.

Yeni çerçeveyi sınamak

Araştırmacılar modellerini üç halka açık veri kümesi üzerinde değerlendiriyor: bahçelerde fotoğraflanmış Hindistan tıbbi bitkileri, çeşitli çevrimiçi kaynaklardan toplanmış Endonezya tıbbi bitkileri ve kontrollü laboratuvar koşullarında görüntülenmiş onlarca aspir çeşidini içeren bir aspir veri kümesi. Genel olarak EfficientSwinB-SE, klasik konvolüsyonel ağlar ve diğer dönüştürücüler dahil olmak üzere iyi bilinen derin öğrenme modellerini geride bırakıyor. Hindistan veri kümesinde yaklaşık %99,75, Endonezya veri kümesinde ise %97,70 doğruluk elde ediyor; bunlar değişken aydınlatma ve dağınık arka plan koşullarında bile geçerli. İnce ayrıntılı aspir görevinde OLSF-EfficientSwinB-SE çeşidi yaklaşık %91,63 doğruluk elde ederek, özellikle bu mahsul için tasarlanmış önceki bir dönüştürücü tabanlı yaklaşımı geride bırakıyor.

Gerçek dünya bitki kullanımına etkileri

Günlük terimlerle çalışma, hem sahada geniş bir yelpazedeki tıbbi bitkileri tanıyabilen hem de laboratuvarda neredeyse aynı olan yaprakları güvenilir şekilde ayırabilen tek, verimli bir YZ “gözü” inşa etmenin mümkün olduğunu gösteriyor. Gereksiz hesaplamaları azaltıp modele en bilgilendirici görsel ipuçlarını vurgulamayı öğreterek yazarlar doğru, sağlam ve neredeyse gerçek zamanlı kullanım için pratik araçlar ortaya koyuyor. Bu tür sistemler bitki tanıma için akıllı telefon uygulamalarının, genetik kaynakların otomatik kataloglanmasının ve yapraklarla mahsul takibi yapan akıllı tarım platformlarının temelini oluşturabilir. Aynı fikirler daha fazla tür ve ortama genişletildikçe, geleneksel bitki bilgisini modern veri odaklı tarımla birleştirmeye yardımcı olabilirler.

Atıf: Khuat, P.T., Thien Van, H. A unified EfficientSwinB-based framework for medicinal plant recognition and safflower germplasm classification. Sci Rep 16, 11791 (2026). https://doi.org/10.1038/s41598-026-42449-4

Anahtar kelimeler: tıbbi bitki tanıma, derin öğrenme, görsel dönüştürücü, aspir genotipi, bitki tanımlama