AdjLeafGNN: hassas tarımda bitişik yaprak hastalığı yayılımının olasılıksal modellenmesi için hibrit derin öğrenme ve grafik sinir ağı çerçevesi

Neden hasta yaprakları izlemek önemli

Birkaç yaprakta başlayan küçük lekeler olarak görünen bitki hastalıkları, hasadı sessizce azaltabilir ve gıda arzını tehdit edebilir. Çiftçiler giderek daha fazla kamera ve yapay zekâ kullanarak hasta bitkileri tespit ediyor, ancak çoğu araç hâlâ her yaprağı izole şekilde inceliyor. Bu makale, yalnızca bir yapraktaki hastalığı tanımakla kalmayıp, hastalığın yakın yapraklara yayılma olasılığını da tahmin eden AdjLeafGNN adlı yeni bir sistemi tanıtıyor; bu da yetiştiricilerin daha erken ve daha doğru müdahale etmesine yardımcı oluyor.

Tek bir yaprağın ötesine bakmak

Mevcut bitki bilgisayarlı görü sistemlerinin çoğu, tek yaprak fotoğraflarından hastalıkları sınıflandıran güçlü görüntü modellerine dayanır. Kontrollü testlerde iyi çalışsalar da, enfeksiyonların genellikle dokunma, böcekler veya rüzgâr yoluyla yapraktan yaprağa geçtiği tarlalardaki gerçek davranışları göz ardı ederler. Yazarlar, bitki sağlığını doğru anlamak için bir modelin her yaprağın görünümünü ve çevresindeki diğer yapraklarla ilişkisini yakalaması gerektiğini savunuyor.

Bitki sağlığı için iki parçalı bir beyin

AdjLeafGNN iki tür yapay zekâyı birleştirir. İlk olarak, LDDNet adlı derin görüntü modülü her yaprak fotoğrafını tarar ve farklı hastalıkların çok çeşitli boyut ve şekillerde nasıl göründüğünü öğrenirken, dikkat mekanizması en önemli leke ve lekelenmelere odaklanmasına yardımcı olur. Bu, her yaprak için sağlığı yansıtan kompakt bir parmak izi üretir. Bu parmak izleri nihai cevap değildir; bunun yerine, çok sayıda yaprak arasında hastalığın nasıl hareket edebileceğine dair daha büyük bir resmin yapı taşları haline gelirler.

Yaprakları bir ağa dönüştürmek

İkinci aşamada sistem, her yaprak parmak izini ağdaki bir nokta olarak işler. Benzer görünen yapraklar birbirine bağlanır ve hangi yaprakların gerçekçi olarak enfeksiyon aktarabileceğini yansıtan bir grafik oluşturur. Bir grafik sinir ağı daha sonra bu bağlantılar boyunca bilgi aktarır; böylece her yaprak nihai karar verilmeden önce komşularıyla “danışabilir”. Bu zenginleştirilmiş bakıştan, model aynı anda iki çıktı üretir: her bir yapraktaki en olası hastalık türü ve hastalığın yakındaki yapraklara veya onlardan yayılma olasılığı.

Yaklaşımı teste sokmak

Araştırmacılar AdjLeafGNN’yi domates, patates, elma ve üzüm gibi ürünlerden sağlıklı ve hasta yaprakların on binlerce görüntüsünü içeren iyi bilinen PlantVillage veri seti üzerinde eğitti ve değerlendirdi. Dikkatle kontrol edilmiş bir eğitim düzeni kullanarak, hibrit modelleri ResNet ve EfficientNet gibi popüler görüntü ağları da dahil olmak üzere birkaç güçlü derin öğrenme temel modelini geride bıraktı. Hastalık sınıflandırması için yaklaşık %99 doğruluk ve F1 skoruna ulaştı ve ayrıca yapraklar arasındaki muhtemel hastalık yayılımını yüksek güvenilirlikle tahmin etti; bu, standart tıbbi tarz risk metriklerindeki güçlü puanlarla gösterildi.

Akıllı tarım için anlamı

Bir uzman olmayan için kilit sonuç, AdjLeafGNN’nin tek geçişte hem bir yaprak hastalığını adlandırabilmesi hem de bunun bir sonraki adımda nereye gidebileceğini tahmin edebilmesidir. Bu çift yönlü içgörü, çiftçilerin veya tarım robotlarının sadece hasta bitkileri işaretlemesine değil, aynı zamanda yüksek risk altındaki yakın yaprakları belirleyip semptomlar tam gelişmeden önce tedavi etmelerine yardımcı olabilir. Sistem ağırlıklı olarak karışık saha görüntüleri yerine kontrollü görüntülerde test edilmiş olsa da, daha hassas pestisit kullanımı ve verim korumasını destekleyebilecek gerçek zamanlı, mekânsal farkındalıklı ürün izleme yolunu sunar.

Atıf: Surekha, B., Subha Mastan Rao, T. AdjLeafGNN: a hybrid deep learning and graph neural network framework for probabilistic modeling of adjacent leaf disease spread in precision agriculture. Sci Rep 16, 15629 (2026). https://doi.org/10.1038/s41598-026-45061-8

Anahtar kelimeler: bitki hastalığı tespiti, yaprak görüntü analizi, grafik sinir ağı, hassas tarım, hastalık yayılım tahmini