Hafif ve sağlam buğday başı tespiti için çift yönlü durum uzayı modellemesi, karmaşık tarımsal ortamlarda

Gökyüzünden buğday başlarını saymanın önemi

Büyüyen bir dünyayı beslemek, tarlalarımızın ne kadar gıda üretebileceğini bilmeyi gerektirir ve bunun en önemli ipuçlarından biri, her bitkinin tane taşıyan uçları olan buğday başlarıdır. Çiftçiler ve ıslahçılar uzun süre verim tahmini yapmak için bunları elde saydı; ancak büyük tarlarda bu işlem yavaş, maliyetli ve hataya açık. Bu çalışma, drone görüntülerinden yararlanarak düzensiz, kalabalık ve değişken ışık altında bile buğday başlarını gerçek zamanlı olarak otomatik şekilde tespit edip sayabilen yeni bir bilgisayarlı görü sistemi, Mamba-WheatNet'i tanıtıyor.

Karmaşık tarlalarda akıllı gözler

Gerçek tarlalar düzenli olmaktan çok uzak. Buğday başları yaprakların arkasında gizlenebilir, birbirinin üzerine binebilir veya yabani otlar ve çıplak toprakla karışabilir; renkleri ve şekilleri büyüme aşamasına göre değişir. Önceki yöntemler renk veya doku gibi basit özelliklere dayanmayı denedi, ancak ışık veya büyüme aşaması değiştiğinde bunlar başarısız oluyor. Derin öğrenme, sinir ağlarının çok sayıda görüntüden doğrudan desenleri öğrenmesine izin vererek durumu iyileştirdi. Yine de mevcut pek çok model karmaşık sahnelerle başa çıkmakta zorlanıyor ve drone'larda veya küçük saha cihazlarında çalıştırılması güç yoğun hesaplama gerektiriyor.

Önemli olana odaklanan daha hafif bir model

Mamba-WheatNet, pratik saha kullanımına yeterince hafif kalırken bu zorluklarla başa çıkacak şekilde tasarlandı. İki ana fikri birleştiriyor: yerel ayrıntıları yakalamada iyi olan verimli konvolüsyon katmanları ve uzun menzilli desenleri takip etmede daha başarılı olan seçici durum uzayları adı verilen yeni model ailesi. Yazarlar, önce görüntüleri çok ölçekli desenlere ayıran, ardından tüm sahneyi gözeten özel bir füzyon aşamasından geçiren bir özellik çıkarıcı inşa ediyor. Bu, sistemin örtüşen yapraklar veya toprak gibi arka plan karmaşasını görmezden gelmesine ve bireysel buğday başlarını işaretleyen ince şekil ve tonlara daha fazla dikkat etmesine yardımcı oluyor.

Modelin yoğun buğday başlarını çözmesi

Mamba-WheatNet içinde iki özel yapı bloğu işin büyük kısmını yapıyor. Birincisi, Artık Derinlik Ayrılabilir Blok (Residual Depthwise Separable Block) adı verilen yapı, hesaplamaları şişirmeden ince ayrıntıları yakalamak için kanallar arasında bölünmüş hafif konvolüsyonlar kullanır. Diğeri, Çift Yönlü Uzamsal Tarama Bloğu (Bidirectional Spatial Scanning Block), öznitelik haritalarını yatay ve dikey olarak tarayarak her iki yönde bağlam toplar ve en bilgilendirici kanalları seçici şekilde vurgular. Bu bileşenler, yerel ve küresel ipuçlarını harmanlayan daha büyük bir füzyon biriminde birleştirilir; bu, temas eden veya örtüşen buğday başlarını ayırmayı ve hava görüntülerinde başlar küçük veya yoğun olduğunda doğruluğu korumayı kolaylaştırır.

Sistemi teste sokmak

Yaklaşımın gerçekçi koşullarda ne kadar iyi çalıştığını görmek için araştırmacılar Mamba-WheatNet'i birçok çeşit, dikim düzeni ve büyüme aşamasını içeren geniş bir kamu drone görüntü koleksiyonu olan GWHD-2021 üzerinde eğitti ve test etti. Sistemlerini en son YOLO modelleri ve dönüştürücü tabanlı ağlar dahil olmak üzere önde gelen birkaç nesne dedektörü ile karşılaştırdılar. Mamba-WheatNet, mütevazı hesaplama gücü kullanırken ve neredeyse gerçek zamanlı kullanım için yeterince hızlı çalışırken daha yüksek kesinlik ve geri çağırma ile genel tespit skorlarında hafif üstünlük sağladı. Ekip ayrıca modelin, kalabalık şehir sahnelerinde birçok küçük nesne içeren farklı bir drone veri kümesi olan VisDrone2019'a nasıl aktarıldığını kontrol etti. Orada da model, test edilen kompakt dedektörler arasında en iyi doğruluğu sundu ve tasarımının buğdayın ötesine genelleştiğini gösterdi.

Geleceğin akıllı tarımı için anlamı

Çalışma, Mamba-WheatNet'in tarlalar görsel olarak karmaşık olsa bile havadan buğday başlarını saymak için pratik ve doğru bir yöntem sunduğunu sonuçlandırıyor. Hafif, verimli katmanları küresel bir tarama mekanizmasıyla dikkatle birleştirerek model, tipik olarak drone veya saha robotlarında bulunan donanımı bunaltmadan ince desenleri izleyebiliyor. Çiftçiler, ıslahçılar ve ziraat mühendisleri için bu, daha hızlı, daha güvenilir verim tahminleri ve zaman içinde mahsul sağlığının daha iyi izlenmesi anlamına gelebilir; böylece tarım daha veri odaklı ve hassas yönetime doğru ilerleyebilir.

Atıf: Deng, G., Li, Z. & Gao, Z. Bidirectional state space modeling for lightweight and robust wheat head detection in complex agricultural environments. Sci Rep 16, 14895 (2026). https://doi.org/10.1038/s41598-026-45083-2

Anahtar kelimeler: buğday başı tespiti, drone görüntüleri, derin öğrenme, kesin tarım, nesne tespiti