Derin öğrenmeye dayalı patates üretim sisteminde hastalık ve zararlılar tespiti için yeni bir yaklaşım

Patates sağlığı neden hepimizi ilgilendirir

Patatesler, enerji ve besin açısından zengin, hem küçük çiftlikler hem de büyük gıda zincirleri için hayati öneme sahip temel gıdalardan biridir. Ancak yaprakları hastalıklar ve açgözlü böcekler tarafından kolayca zarar görebilir; bu da sorunlar gözle fark edilmeden çok önce ürünleri gizlice azaltabilir. Bu çalışma, yapay zekâ tarafından yönlendirilen akıllı kameraların patates tarlalarını gerçek zamanlı izlemesini, hasta bitkileri erken aşamada işaretlemesini ve çiftçilerin daha az gereksiz ilaçlama ile verimi korumasına yardımcı olmasını araştırıyor.

Gerçek dünyada yapraklardaki sorunları görmek

Açık arazide, bir patates bitkisinde neyin yanlış olduğunu görmek göründüğünden daha zordur. Farklı hastalıklar ilk aşamada benzer görünebilir ve küçük böcekler genellikle üst üste binen yaprakların altına veya derin gölgeye saklanır. Çiftçiler genellikle uzman görüşüne ihtiyaç duyar; bu zaman ve para alır ve eğitimli gözler bile erken belirtileri kaçırabilir. Araştırmacılar, tek yaprakların düzenli laboratuvar fotoğrafları yerine sahadaki sıradan renkli fotoğraflara bakarak hem hastalıklı bölgeleri hem de zararlı böcekleri tespit eden otomatik bir sistem oluşturmayı amaçladılar.

Tarla koşullarının zengin bir resmini oluşturmak

Bunun çalışması için ekip önce patates sorunlarının çiftlik koşullarında nasıl göründüğüne dair gerçekçi bir resme ihtiyaç duydu. Kış ve yaz üretim mevsimlerinde Pakistan’daki iki araştırma çiftliğinden 2.688 görüntü topladılar. Kamera bitkilerin hemen üzerinde yerleştirildi; böylece her fotoğrafta yaprakların yanı sıra toprak, komşu bitkiler ve saman veya boru gibi karışıklıklar da görünüyordu. Semptomsuz görüntüler elendikten sonra, mildiyö (blight), yaprak lekesi hastalığı, yaprak kıvırma virüsü belirtileri ve hem larva hem de erişkin formundaki Colorado patates böceği olmak üzere dört ana tehdidi gösteren 2.403 resim korundu. Bitki uzmanları, bilgisayarın bu örneklerden öğrenebilmesi için her hastalıklı bölge ve böceğin etrafına özenle kutular çizdiler.

Bilgisayarlara leke ve böceği nasıl öğrettiler

Ekip, bu sorunları tanımak için birkaç modern nesne tespiti programını eğitti. YOLO ve Faster R-CNN olarak bilinen bu programlar yalnızca "hastalık/sağlıklı" yanıtı vermekle kalmayıp her bir hastalık lekesinin veya böcek görüntüsünün etrafına kutular çizer. Eğitmeden önce görüntüler temizlendi, yeniden boyutlandırıldı ve farklı bakış açılarını ve aydınlatmaları taklit etmek için rastgele çevrildi, döndürüldü ve parlaklığı ayarlandı. Ana model olan YOLOv8-medium, her 640 x 640 piksel görüntüyü tek geçişte tarar ve katmanlı yapısını kullanarak sağlıklı yaprak dokusunu hastalıklı lekelerden ve böcek gövdelerinden ayıran renk ve doku desenlerini öğrenir; bunlar küçük veya kısmen gizlenmiş olsa bile.

Dijital keşifçinin performansı ne kadar iyi

Eğitimden ayrı tutulan binlerce test görüntüsü genelinde YOLOv8-medium, hastalık yamalarını ve böcekleri ortalama yaklaşık %98 hassasiyetle doğru tespit etti. Ayrıca veriler beş katlı çapraz doğrulama ile yeniden karıştırıldığında da kararlı davrandı; bu da sonuçların tek bir şanslı bölünmenin eseri olmadığını gösteriyor. YOLO’nun diğer sürümleri ve daha eski Faster R-CNN modeli daha az doğru veya daha yavaştı. Medium sürüm hız ve doğruluk arasında en iyi dengeyi yakaladı; modern bir grafik kartında bir görüntüyü işlemek sadece birkaç milisaniye sürdü. Sistem özellikle mildiyö ve yaprak lekesi gibi yaygın hastalıklar için çok iyi çalışırken, çok küçük veya yoğun gölgede kalan böcekler yakalanması en zor olanlar olarak kaldı.

Bu çiftçiler için ne anlama gelebilir

Uzman olmayanlar için temel mesaj basit: eğitilmiş bir bilgisayar programına bağlı bir kamera artık ana hastalıkları ve önemli bir zararlıyı yüksek güvenilirlikle izleyen yorulmak bilmeyen bir tarla gözcüsü olarak hareket edebilir. Çalışma, böyle bir sistemin bir traktör, insansız hava aracı (drone) veya el cihazı üzerinde gerçek zamanlı kullanım için yeterince hızlı çalışabileceğini ve sorunlu noktaların hassas konumlarını verebileceğini gösteriyor. Yazarlar, yalnızca bir bölgede iki çiftlikte test ettiklerini ve kuraklık gibi hastalık dışı stresleri dahil etmediklerini belirterek, aracın her yerde güvenilir hale gelmesi için daha fazla çalışma gerektiği konusunda uyarıyor. Yine de sonuçları, akıllı görsel sistemlerin bir gün çiftçilerin tedavileri sadece gerektiği yerde ve zamanda uygulamalarına yardımcı olabileceğini; böylece hem ürünleri hem de çevreyi koruyabileceğini öne sürüyor.

Atıf: Abbas, A., Rehman, S.U., Mahmood, K. et al. A novel approach for disease and pests detection in potato production system based on deep learning. Sci Rep 16, 15672 (2026). https://doi.org/10.1038/s41598-026-45575-1

Anahtar kelimeler: patates hastalığı, zirai zararlılar, derin öğrenme, nesne tespiti, kesin tarım