Dikkat tabanlı bir CNN ile veri kümesi içi ve veri kümeleri arası eğitimi kullanarak bitki hastalığı sınıflandırmasının geliştirilmesi

Neden hasta yaprakları tespit etmek önemli

Mısır ve patates gibi yiyecek bitkileri yüz milyonlarca insanı besler, ancak yaprak hastalıkları çiftçilerin görünür zararı fark etmesinden çok önce verimi sessizce azaltabilir. Günümüzde akıllı telefonlar ve ucuz kameralar ekinlerin fotoğraflarını toplamak için elverişlidir, ancak bu görüntüleri güvenilir erken uyarılara dönüştürmek hâlâ zordur. Bu çalışma, daha akıllı bir görüntü tanıma sisteminin yalnızca düzenli laboratuvar fotoğraflarında değil, değişen ışık ve arka plan koşullarında tarlada çekilen karışık gerçek dünya görüntülerinde de bitki hastalıklarını nasıl algılayabileceğini araştırıyor.

Bilgisayarlara yaprak okumayı öğretmek

Modern görüntü tanıma sistemleri sıklıkla kenarlar, lekeler, şekiller ve dokular gibi görüntülerdeki desenleri bulmada üstün olan konvolüsyonel sinir ağlarına, yani CNN’lere dayanır. Bu araçlar, aynı dikkatle seçilmiş veri kümesi üzerinde eğitildiklerinde ve test edildiklerinde bitki hastalıklarını etkileyici doğrulukla sınıflandırabildiklerini zaten göstermiştir. Ancak önceki çalışmaların çoğu, yazarların “veri kümesi içi” eğitim adını verdikleri şeye odaklandı: model çok benzer görüntüler üzerinde pratik yapar ve sınavına girer. Böyle bir model farklı bir kamerayla, farklı bir ülkede veya dağınık bir arka plan karşısında çekilmiş yapraklarla karşılaştığında performansı keskin biçimde düşebilir.

Modelin dikkatini yönlendirmek

Araştırmacılar, ağın her görüntünün en bilgi verici kısımlarına odaklanmasına yardımcı olan özel dikkat mekanizmalarını içeren sadeleştirilmiş bir CNN tasarladı. Model, her yaprak fotoğrafını üç aşamalı özellik çıkarımıyla işler. İkinci ve üçüncü aşamalardan sonra dikkat katmanları, iç sinyalleri yeniden ağırlıklandırarak hastalık lekeleri ve yaralarla ilişkilendirilen desenleri vurgular, arka plan toprağı veya gökyüzü gibi daha az ilgili ayrıntıları ise zayıflatır. Mimari kasıtlı olarak hafif tutulmuş, orta boy görüntü boyutları ve sınırlı derinlik kullanılarak göreceli mütevazı donanımlarda çalışabilmesi sağlanmış; bu, gerçek dünya tarım uygulamaları için pratik bir husustur.

Çeşitli yaprak fotoğrafları üzerinde test

Bu tasarımın ne kadar iyi dayandığını görmek için ekip beş kamuya açık yaprak görüntü koleksiyonundan yararlandı. Bunlar, temiz ve ortalanmış yaprakların yer aldığı yaygın PlantVillage veri kümesini; daha gerçekçi saha fotoğrafları içeren PlantDoc’u; Digipathos’u ve belli bir mısır hastalığına odaklanan bir NLB setini; ayrıca her görüntünün birden çok versiyonunu sunan Corn Disease & Severity (CD&S) veri kümesini içeriyordu: orijinal saha çekimleri, arka planı kaldırılmış yapraklar ve siyah veya beyaz tek tip arka planlara yerleştirilmiş yapraklar. Model mısır ve patatesleri etkileyen birkaç hastalığı ve sağlıklı yaprakları tanımayı öğrendi ve performansı doğruluk, kesinlik ve duyarlılık gibi standart ölçülerle değerlendirildi.

Yurt içi ve yurt dışında güçlü sonuçlar

Aynı veri kümesi içinde eğitilip test edildiğinde, dikkat tabanlı ağ birçok önceki yönteme eşit veya üstün performans gösterdi. PlantVillage görüntülerinde mısır hastalığı sınıflandırması için %98 doğruluğa ve patates hastalığı sınıflandırması için %99,38 doğruluğa ulaştı; CD&S saha görüntülerinde %98 doğruluk elde etti. Daha zorlu deneyler, modeli bir veri kümesinde eğitip başka bir veri kümesinde hastalıkları sınıflandırmasını istedi—gerçek dünyaya daha yakın bir “veri kümeleri arası” meydan okuma. Burada en iyi sonuçlar, sistemin arka planı kaldırılmış CD&S görüntüleri üzerinde eğitildiği durumda elde edildi. Bu ayarda, birkaç diğer mısır veri kümesi üzerinden ortalama yaklaşık %82,93 doğruluk sağladı ve önceki veri kümeleri arası çalışmalara göre iyileşme gösterdi. Model patates görüntülerinde veri kümeleri arasında daha az tutarlıydı, ancak yine de bu görev için ilk bir kıyas noktası sundu.

Daha akıllı tarım için bunun anlamı

Uzman olmayanlar için temel mesaj, hastalık tespit sistemlerini nasıl eğittiğimizin kullandığımız algoritmalar kadar önemli olduğudur. Ağa yapraklardaki gerçek semptomlara çevredeki manzaradan ziyade odaklanmayı öğreterek, dikkat mekanizmaları sistemi yeni görüntü türleriyle başa çıkma konusunda daha yetenekli kılar. Çalışmada kamu veri kümelerinin hâlâ gerçek çiftliklerin karmaşasını tam olarak yakalayamadığı belirtilse de, elde edilen sonuçlar nispeten kompakt bir modelin farklı görüntü koleksiyonları arasında daha iyi genelleyebildiğini gösteriyor. Uzun vadede, bu tür araçlar çiftçilere yayılmadan önce ortaya çıkan sorunlar hakkında uyarıda bulunan telefon veya drone tabanlı izcileri destekleyebilir; bu da kimyasalların daha hassas ve daha az israfla kullanılmasına ve küresel gıda arzının daha iyi korunmasına katkıda bulunur.

Atıf: Mahapatra, P., Panda, M., Dash, S.K. et al. Advancing plant disease classification using an attention-based CNN for intra-dataset and cross- dataset training. Sci Rep 16, 10925 (2026). https://doi.org/10.1038/s41598-026-45464-7

Anahtar kelimeler: bitki hastalığı tespiti, derin öğrenme, dikkat CNN, mahseret sağlığı izleme, veri kümeleri arası genelleme