Otomatik karides hastalığı sınıflandırması için hafif bir derin öğrenme mimarisi

Karides sağlığı neden herkes için önemli

Karidesler dünyanın en popüler deniz ürünleri arasında yer alır ve kıyı toplulukları için önemli bir gelir kaynağıdır. Ancak karides çiftlikleri, birkaç gün içinde tüm havuzları yok edebilen hızla yayılan hastalıklarla sürekli tehdit altındadır. Bugünün laboratuvar testleri yavaş ve pahalıdır; çiftçilerin yaptığı görsel kontroller ise erken uyarı işaretlerini kaçırabilir. Bu çalışma, FeatherNetX adında yeni bir bilgisayar aracı sunuyor: karides fotoğraflarını tarayıp kısa sürede sağlıklı mı yoksa hasta mı olduğunu söyleyebilen, internet bağlantısı olmadan düşük maliyetli çiftlik bilgisayarlarında bile çalışabilecek bir sistem.

Hasta karidesleri fark etmenin yeni bir yolu

Araştırmacılar, sahada hem doğru hem de pratik olacak otomatik bir hastalık “gözü” oluşturmayı hedeflediler. Asya karides çiftliklerinde özellikle önemli olan dört kategoriye odaklandılar: sağlıklı karides, Siyah Solungaç hastalığı, Beyaz Nokta Sendromu (White Spot Syndrome Virus) ve Sarı Baş Virüsü (Yellow Head Virus). Pahalı laboratuvar ekipmanlarına dayanmak yerine sistem, çiftlik kulübelerinde akıllı telefonlarla çekilen normal renkli fotoğrafları kullanıyor. Bu görüntüler, her hastalığa özgü ince desenleri ve dokuları tanımak üzere özel olarak tasarlanmış kompakt bir derin öğrenme modeli tarafından analiz ediliyor. Basit bir fotoğrafı bir saniyeden kısa sürede tanıya dönüştürerek yaklaşım, erken hastalık tespitini bir bilgisayardaki bir mesajı kontrol etmek kadar kolay hale getirmeyi amaçlıyor.

Akıllı model nasıl eğitildi

FeatherNetX’e karides hastalığının görsel dilini öğretmek için ekip, Bangladeş’in çeşitli bölgelerindeki karides çiftliklerinden iki açık görüntü koleksiyonu topladı. Bu veri setleri birlikte farklı arka planlar, aydınlatma koşulları ve hastalık durumlarını içeren binlerce karidesi kapsıyordu. Görüntüler, modelin daha önce görmediği fotoğraflar üzerinde değerlendirileceği şekilde eğitim, doğrulama ve test gruplarına özenle ayrıldı. Eğitim sırasında fotoğraflar rastgele çevrildi, döndürüldü, hafifçe bulanıklaştırıldı veya renkleri kaydırıldı; bu, çiftlik fotoğrafçılığının dağınık gerçekliğini taklit etmek içindi. Böylece model, kamera açısı veya küçük aydınlatma değişiklikleri gibi tesadüfi ayrıntılardan ziyade kararmış solungaçlar veya beyaz vücut lekeleri gibi gerçek hastalık belirtilerine odaklanmayı öğrendi.

Büyük işi olan küçük bir model

Çoğu güçlü görüntü tanıma sistemi sıradan çiftlik bilgisayarlarında çalışamayacak kadar büyük ve enerji tüketir. Bu nedenle FeatherNetX, zengin detayları yakalarken son derece hafif olacak şekilde tasarlandı. Ağ, bilgiyi verimli biçimde yeniden kullanan ve paylaşan tekrarlı küçük yapı taşlarından inşa edilerek hesaplama ve depolama ihtiyacını azalttı. Dikkat (attention) mekanizmaları, modelin her görüntüde en bilgilendirici renk ve doku ipuçlarını vurgulamasına yardımcı oldu. Sonuç olarak FeatherNetX, ayarlanabilir parametre sayısı bir milyondan az ve birkaç megabayt hafızaya sığacak kadar küçük—düşük maliyetli donanım için yeterli—ancak farklı görüntü bölmelerinde test edildiğinde ortalama yaklaşık %93 doğruluk sağladı.

Modelin nereye baktığını görmek

Biyolojide yapay zekâ ile ilgili yaygın bir endişe, kararlarının insan uzmanlar için mantıklı olup olmadığıdır. Bunu ele almak için araştırmacılar, modelin yargısını en çok etkileyen karides görüntüsü bölgelerini gösteren ısı haritaları üreten bir teknik kullandılar. Birçok durumda, bu vurgulanan bölgeler, veterinerin inceleyeceği alanlarla iyi örtüştü; örneğin Siyah Solungaç hastalığında zarar görmüş solungaçlar veya Beyaz Nokta enfeksiyonlarında yamalı kabuk bölgeleri gibi. İki hastalık için ekip, ısı haritasındaki en parlak noktanın uzmanlar tarafından işaretlenen bölgelere ne kadar yakın olduğunu bile ölçtü ve modelin dikkati sıklıkla işaretli hasta alanların sadece birkaç piksel içinde yer aldı. Bu, ağın alakasız arka plan desenlerine takılıp kalmak yerine anlamlı biyolojik ipuçlarını öğrendiği konusunda güven veriyor.

Araştırma kodundan çiftlik hazır aracına

Teknolojiyi laboratuvarın ötesinde kullanışlı hale getirmek için ekip, FeatherNetX’i "Karides Hastalık Sınıflandırıcısı" adlı basit bir masaüstü programına paketledi. Çiftçiler veya teknisyenler tek fotoğraflar veya tüm klasörler yükleyebilir, her karidesi görüntüleyebilir ve otomatik bir etiket—sağlıklı veya üç büyük hastalıktan biri—ve bir güven skoru alabilir. Standart bir bilgisayarda her görüntü beşte bir saniyeden daha kısa sürede işlenir ve resimler daha kolay kayıt tutma için otomatik olarak klasörlere ayrılır. Daha önce görülmemiş yeni fotoğraflar üzerinde yapılan testler yaklaşık %94 doğruluk gösterdi ve sistemin eğitim ortamının dışında da güvenilir kaldığını ortaya koydu.

Karides çiftçiliği için bunun anlamı

Bu çalışma, dikkatle tasarlanmış, kompakt bir yapay zekâ modelinin sıradan fotoğraflar ve çevrimdışı bir masaüstü bilgisayar kullanarak laboratuvar seviyesine yakın karides hastalığı tespiti sağlayabileceğini gösteriyor. FeatherNetX geleneksel laboratuvar testlerinin yerini almaz, ancak kayıplar felakete dönüşmeden önce çiftçilerin sorunlu havuzları tespit etmesine yardımcı olacak hızlı bir erken uyarı sistemi olarak işlev görebilir. Yeni çiftliklere, kameralara ve daha ince hastalık belirtilerine uyum sağlama gibi zorluklar devam etse de çalışma, gelişmiş görüntü tabanlı tanıyı doğrudan su ürünleri havuzlarına taşıyıp daha güvenli ve sürdürülebilir deniz ürünü üretimini desteklemek için pratik bir plan sunuyor.

Atıf: Sharma, S., Rumahorbo, P.S., Kondo, S. et al. A lightweight deep learning architecture for automatic shrimp disease classification. Sci Rep 16, 13837 (2026). https://doi.org/10.1038/s41598-026-44195-z

Anahtar kelimeler: karides hastalığı, su ürünleri yetiştiriciliği, derin öğrenme, bilgisayarlı görme, çiftlik teşhisleri