CTRNet: tarlada mısır yaprak halkasının tanımlanması için hafif ve verimli bir derin öğrenme modeli

Gizli bir yaprağı fark etmenin önemi

Yazın bir mısır tarlasında, en zararlı böceklerden bazıları doğrudan bitkinin “kalbi”ne – üstteki sık yaprak spirali olan halkaya (whorl) – gider. Bu zararlılar küçüktür, hedefleri daha da küçüktür ve çiftçiler genellikle tedbir amaçlı geniş alanlara ilaç sıkmak zorunda kalır. Bu çalışma, karmaşık gerçek dünya tarlalarında küçük mısır halkalarını güvenilir şekilde bulmak için tasarlanmış yeni bir bilgisayarla görme sistemi olan CTRNet’i tanıtıyor; böylece bitki izleme ve pestisit kullanımı çok daha hassas ve az atık olacak şekilde yapılabilir.

Büyük tarlada küçük bir hedefi görmekteki zorluk

Zararlı kontrolü için whorl’ün tam olarak nerede olduğunun bilinmesi kritiktir; çünkü tırtılların yumurta bıraktığı ve beslendiği ana bölgedir, fotosentezi ve verimi azaltır. Ancak gerçek tarlalarda whorl’leri görmek zordur: görüntülerde küçük görünürler, sık sık örtüşen yapraklarla gizlenirler ve yabani otlar, toprak ve gölgelerle dolu arka planlar önünde belirsizleşirler. Daha önceki yaklaşımlar ya insanların bitkileri görsel olarak incelemesine dayanıyordu ya da renk ve dokuya dayalı basit görüntü hileleri kullanıyordu. Bu yöntemler yalnızca temiz, kontrol altındaki sahnelerde işe yaradı ve aydınlatma değiştiğinde, yapraklar üst üste geldiğinde ya da birden fazla bitki sorunu aynı anda ortaya çıktığında hızla başarısız oldu.

Derin öğrenme tarlaya giriyor

Son yıllarda derin öğrenme dedektörleri, özellikle YOLO ailesindeki modeller, makinelerin görüntülerde nesneleri gerçek zamanlı olarak tespit etme yeteneğini büyük ölçüde geliştirdi. Birkaç versiyon ürünler ve yapraklar için uyarlanmış olsa da, standart modeller hâlâ mısır whorl’ü gibi çok küçük hedeflerle ve dış mekândaki sürekli değişen ışık ve yaprak düzeniyle zorlanıyor. Görüntüler ağ boyunca sıkıştırıldıkça ince detayları kaybedebiliyorlar ve karmaşık arka planlardan dikkatleri dağılıyor. Bu nedenle yazarlar modern bir YOLO11 modelinin üzerine inşa ederek ağın bazı kilit bölümlerini küçük yapıları daha iyi yakalayacak, görüntü ölçekleri arasında bilgi paylaşımını güçlendirecek ve alakasız arka plan desenlerini göz ardı edecek şekilde yeniden tasarlıyor.

CTRNet’i farklı kılan nedir

Önerilen CTRNet (Bağlamsal ve Doku‑geliştirilmiş Temsil Ağı), YOLO11’in hızını ve kompakt boyutunu koruyor, ancak birkaç özel modül ekliyor. Bir modül, ağın farklı katmanlarının bilgi alışverişinde bulunmasını teşvik ediyor; böylece geniş bağlam ve ince detaylar whorl’ler kısmen gizlense bile birbirlerini güçlendiriyor. Başka bir modül hem kaba, yavaş değişen desenlere hem de ince, yüksek frekanslı detaylara ayarlı; bu da sistemin whorl merkezini işaretleyen kenarları ve dokuları korumasına yardımcı oluyor. Kapılı bir füzyon aşaması, birden çok ölçekten gelen sinyalleri birleştirirken fazlalık veya gürültülü özellikleri zayıflatıyor. Son olarak bir dikkat mekanizması, gelen görüntü özelliklerini parlak lekeler, gölgeler ve karmaşık arka planlar dedektörü yanıltmadan düzeltecek şekilde yeniden şekillendiriyor.

Sistemi teste koymak

CTRNet’i eğitmek ve test etmek için ekip, kamu kaynaklarından ve kendi saha araştırmalarından alınan toplam 2.816 görüntüden oluşan bir veri seti derledi; bu görüntüler fide döneminden olgun bitkilere kadar değişen büyüme evrelerini kapsıyor. Fotoğraflar, bir tarım robotunun kamerasının tipik görüşünü ve yüksekliğini yakaladı; geniş bir ışık koşulları ve saha düzeni aralığını içeriyor. Birkaç YOLO varyantı ve bir dönüştürücü (transformer) tabanlı dedektör ile yapılan karşılaştırmalarda CTRNet, whorl tanımlamada en yüksek doğruluğa ulaştı; standart bir tespit skoru (mAP@0.5) %81,6’dan %84,7’ye yükselirken aynı zamanda temel modele kıyasla daha az model parametresi kullandı. Görsel karşılaştırmalar CTRNet’in gerçek whorl bölgesine daha sıkı odaklandığını ve çevre yapraklar veya toprak üzerinde özellikle düşük ışık, sert güneş ışığı veya ağır örtülme gibi sahnelerde daha az yanlış parlama ürettiğini gösterdi.

Sıralardaki robotlar için yeterince hızlı

Doğruluğun ötesinde, yazarlar CTRNet’in bir tarla robotunun taşıyabileceği küçük bir uç‑AI bilgisayarda çalışıp çalışamayacağını test ettiler. NVIDIA Jetson Orin Nano cihazında model, özellikle optimize edilmiş bir çıkarım motoru ve yarım hassasiyetli hesaplama ile birlikte kullanıldığında gerçek zamanlı kare hızlarını korudu. Bu, CTRNet’in, aşağı doğru hareket ederken hızla tepki vermesi gereken püskürtücüleri veya keşif robotlarını yönlendirebileceği anlamına geliyor; yavaş çevrimdışı analizlere güvenmek yerine gerçekçi bir şekilde kullanılabilir.

Daha akıllı zararlı kontrolü için anlamı

Basitçe söylemek gerekirse CTRNet, makineler için mısır bitkisinin küçük ama önemli bir parçasına yönelik daha keskin “gözler” sağlıyor. Gölgeler, parlamalar ve yaprak karışıklığına rağmen whorl’leri güvenilir şekilde tespit ederek zararlı hasarının daha hedefli izlenmesini ve pestisitlerin daha hassas uygulanmasını mümkün kılıyor. Çalışma, özenle tasarlanmış hafif derin öğrenme modellerinin yalnızca daha ağır sistemlerle eşleşmekle kalmayıp aynı zamanda hem hız hem de doğruluk açısından onları geride bırakabileceğini gösteriyor; bu da daha akıllı, daha az israf eden bitki koruma araçlarına ve potansiyel olarak diğer ürünler ve hastalıklar için benzer sistemlere yol açıyor.

Atıf: Tian, X., Zhang, J. & Li, Y. CTRNet: a lightweight and efficient deep learning model for field maize whorl identification. Sci Rep 16, 10570 (2026). https://doi.org/10.1038/s41598-026-45727-3

Anahtar kelimeler: mısır zararlı tespiti, tarım bilgisayarlı görü, kesin tarım, hafif derin öğrenme, tarla robotları