MaizeFormerX: açıklanabilir mısır yaprağı hastalık tanısı için çapraz ölçekli dikkat içeren hafif bir görsel transformer

Neden mısır yaprakları ve telefon kameraları önemli

Mısır, dünyadaki en önemli ürünlerden biridir; insanları ve hayvanları besler ve sanayiyi besler. Buna karşın birkaç yaprak hastalığı, özellikle tropik bölgelerde, çiftçinin hasadının üçte birini veya daha fazlasını yok edebilir. Bu çalışma, basit mısır yaprağı fotoğraflarından, gerçek çiftlik koşullarında bile, bu hastalıkları tespit edebilen kompakt bir yapay zeka sistemi olan MaizeFormerX’i tanıtıyor. Çalışma, daha akıllı görüntü analizinin çiftçilerin daha erken harekete geçmesine, daha az kimyasal kullanmasına ve hem verimi hem de çevreyi korumasına yardımcı olabileceğini gösteriyor.

Mısır tarlalarındaki artan tehdit

Modern mısır bitkilerinin geniş, güneş ışığını yakalayan yaprakları vardır ve bunlar aynı zamanda enfeksiyon için birincil hedeflerdir. Mısır Lethal Necrosis, Maize Streak Virus ve Maize Leaf Blight gibi hastalıklar bu yaprak yüzeyine saldırarak şeritler, lekeler ve ölü doku oluşturur; bu da verimi %30’dan %80’in üzerine kadar düşürebilir. Birçok düşük ve orta gelirli ülkede çiftçiler bitki uzmanlarına hızlı erişime sahip değildir ve farklı hastalıklar birbirine son derece benzer görünebilir veya basit besin yetersizliklerini andırabilir. Bu belirtilerin yanlış okunması, yanlış tedaviye para harcanmasına ve enfeksiyonların yayılmasına yol açarak gıda güvenliğini ve çiftlik gelirini tehlikeye atabilir.

Neden eski araçlar yetersiz kalıyor

Geleneksel tanı, insan gözüne ve deneyimine dayanır; bu süreç yavaştır ve milyonlarca küçük çiftlik çapında ölçeklendirmesi zordur. Konvolüsyonel sinir ağları gibi derin öğrenmeye dayanan önceki bilgisayar modelleri, sade arka planlı düzenli laboratuvar fotoğraflarında çok doğru olabilir. Ancak gölgeler, karmaşık tarlalar ve farklı kameralar gibi gerçek dünya koşulları, yaprakların görünümünü değiştirdiğinde bu modeller sıklıkla zorlanır. Çoğu önceki sistem tek, iyi kontrol edilmiş bir veri setinde eğitilip test edildiği için kağıt üzerinde iyi görünür ancak yeni bölgelere, farklı aydınlatmaya veya yeni mısır çeşitlerine uyum sağlayamaz. Birçoğu ayrıca düşük maliyetli telefonlar veya uç cihazlar için çok büyük veya çok enerji tüketiciydi.

Hastalıklı yapraklara bakmanın yeni bir yolu

MaizeFormerX, görüntü işleme alanında özellikle görüntülerdeki uzun menzilli desenleri görmekte iyi olan bir yaklaşım olan görsel transformer fikri üzerine kuruludur. Model, yalnızca küçük yamaları taramak yerine aynı anda bir yaprak görüntüsünü birden fazla boyutta yamalara böler. İnce ölçekli yamalar küçük lezyonlar ve benekleri yakalarken, daha büyük yamalar geniş şeritleri ve yayılma desenlerini yakalar. Özel bir çapraz ölçekli dikkat bloğu, ayrıntılı yamaların daha kaba yamalardan bağlam “istemesine” izin vererek sistemin soluk bir şeridin zararsız bir leke mi yoksa daha geniş bir hastalık deseninin parçası mı olduğuna karar vermesine yardımcı olur. Bu zenginleştirilmiş yamalar daha sonra sağlıklı yaprakları birkaç ana hastalık türünden ayırt etmeyi öğrenen kompakt bir transformer yığınına gönderilir.

Gerçek çiftlikler ve çok sayıda mikroba karşı test

MaizeFormerX’in laboratuvar dışında da dayanıp dayanmayacağını görmek için yazarlar üç çok farklı mısır yaprağı görüntü koleksiyonunda test etti. Bir koleksiyon kontrollü laboratuvar ortamından, bir diğeri Tanzanya’daki gerçek çiftliklerden ve üçüncüsü çok sayıda bakteriyel, fungal ve viral etken arasında ince ayrımlara odaklanıyordu. Ekip, gerçek saha varyasyonunu taklit etmek ve nadir hastalık vakalarını dengelemek için dikkatli ön işleme ve dönüşler, parlaklık değişiklikleri ve eklenen gürültü gibi anlık görüntü varyasyonları kullandı. Üç veri setinin tamamında MaizeFormerX, çeşitli güçlü kompakt modellerle eşleşti veya onları geride bıraktı; laboratuvar ve saha tarzı setlerde yaklaşık %97–98 doğruluğa ve ince ayrıntılı mikroorganizma setinde yaklaşık %97 doğruluğa ulaştı. Bir veri setinde eğitilip doğrudan başka bir veri setinde test edildiğinde de en iyi alternatiflerin birkaç puan önünde kalarak daha güçlü bölge aşan genelleme gösterdi.

Modelin ne gördüğünü görmek

Tarım danışmanları ve çiftçiler bir dijital araca güvenmek zorunda olduğunda yalnızca yüksek doğruluk yeterli değildir. Bu nedenle yazarlar MaizeFormerX’i yalnızca tahmini sınıfı raporlamakla kalmayan, aynı zamanda kararın dayandığı bölgeleri vurgulayan bir ısı haritasını yaprak fotoğrafının üzerine bindiren basit bir web uygulamasına bağladılar. Bu görsel açıklamalar, modelin karar verirken toprak, gökyüzü veya diğer arka plan karmaşasına değil lezyonlar, şeritler ve renk değişikliği gösteren bantlara odaklandığını ortaya koyuyor. Yanlış sınıflandırılan vakalarda haritalar, örtüşen belirtiler veya sert aydınlatmanın modeli nerede şaşırttığını göstererek gelecekteki iyileştirmelere rehberlik ediyor. İnsanın anlayabileceği çıktılara verilen bu önem, sistemi kara kutu olmaktan çok destek aracı olarak daha uygun hale getiriyor.

Gelecekteki mısır bakımı için anlamı

Basitçe ifade etmek gerekirse, çalışma, dengeli ve özenle tasarlanmış bir yapay zekanın sıradan görüntülerle ve farklı bölgelerde çalışarak sağlıklı mısır yapraklarını birkaç önemli hastalıktan güvenilir biçimde ayırt edebileceğini gösteriyor. Her yaprağın çok ölçekli görüntülerini çapraz ölçekli dikkatle harmanlayarak MaizeFormerX, ağır hesaplama gücüne ihtiyaç duymadan hem küçük lekeleri hem de büyük desenleri yakalıyor. Açıklama dostu bir web arayüzüyle birleştiğinde, bu yaklaşım çiftçilerin ve tarım uzmanlarının sorunları daha erken yakalamasına, tedavileri daha hassas uygulamasına ve gereksiz pestisit kullanımını azaltmasına yardımcı olabilecek telefon veya uç tabanlı araçlara doğru bir yön gösteriyor; bu da daha sürdürülebilir mısır üretimini destekliyor.

Atıf: Rahman, M.M., Gony, M.N., Ullah, M.S. et al. MaizeFormerX: a lightweight vision transformer with cross-scale attention for explainable maize leaf disease diagnosis. Sci Rep 16, 15160 (2026). https://doi.org/10.1038/s41598-026-44550-0

Anahtar kelimeler: mısır hastalığı, bitki sağlığı, görsel transformer, yüksek doğruluklu tarım, açıklanabilir yapay zeka