Elma ve Armut Yapraklarında Çoklu Hastalık Şiddeti Tespiti için Optimize Edilmiş Hafif U-Net ve YOLACT Çerçevesi

Neden daha akıllı yaprak kontrolleri önemli

Elma ve armut yetiştiren üreticiler, yaprak lekelerinin hızla yayılabileceğini ve verimi sessizce azaltabileceğini bilir. Bahçelerde yürüyerek gözle yapılan muayeneler yavaş ve genellikle belirsizdir; özellikle aynı yaprağı birden fazla enfeksiyon etkiliyorsa durum daha da karmaşıklaşır. Bu çalışma, tek bir pomacee meyve yaprağında birden çok hastalığı tespit edip her bir enfeksiyonun ne kadar ilerlediğini tahmin edebilen, kamera tabanlı otomatik bir yaklaşım sunarak daha hızlı ve güvenilir mahsul sağlık kontrollerine pratik bir yol öneriyor.

İnsanın gözünden daha fazlasını görmek

Araştırmacılar, meyve kalitesini bozan ve verimi düşüren yaprak hastalıklarına özellikle yatkın elma ve armut gibi pomacee meyvelere odaklanıyor. Geleneksel denetimler, semptomların boyutunu ve rengini uzmanların görsel olarak derecelendirmesine dayanır; bu süreç zaman alır ve kişiden kişiye değişkenlik gösterebilir. Gerçek bahçelerde karmaşık arka planlar, değişen aydınlatma ve üst üste binen veya kıvrılan yapraklar ek zorluklar yaratır. Ekip, tüm bu görsel gürültüyü idare edebilen, sıradan renkli fotoğraflardan çalışabilen ve tek bir yaprak üzerindeki birden fazla örtüşen enfeksiyonu ayırt edip her birinin ilerleme düzeyini değerlendirebilen bir araç geliştirmeyi hedefledi.

Hastalıklı yapraklara iki adımlı bakış

Bunu ele almak için çalışma çift aşamalı bir dijital görme hattı kullanıyor. Önce, Lite U Net adı verilen popüler bir tıbbi görüntüleme ağının sadeleştirilmiş bir versiyonu, yaprağı çevresinden ayırmak ve genel hastalıklı bölgeleri işaretlemek üzere eğitiliyor. Bu adım dalları, gökyüzünü ve toprağı eler, böylece sonraki analiz yalnızca bitki dokusuna odaklanır. Ardından, Lite YOLACT adlı hafifletilmiş bir ağ daha da yakınlaşıp her bir ayrı hastalıklı lekeyi kendi nesnesi olarak seçiyor. Bu iki adım birlikte, örneğin tek bir yaprağın hem kabuk hastalığı hem de pas taşıyabileceğini ve her birinin kendi boyut ve yayılımına sahip olduğunu sistemin algılamasını sağlıyor.

Lekeleri basit skorlara dönüştürmek

Her hastalıklı alan çevrelendiğinde, yöntem her enfeksiyonun yaprak yüzeyinin ne kadarını kapladığını ölçer. Yazarlar, bu yüzdelikleri küçük başlangıç lekelerinden neredeyse tam hasara kadar anlaşılması kolay aşamalara çeviren yeni bir dokuz seviyeli şiddet ölçeği tasarlıyor. Ölçek, aynı anda iki hastalığı ele alacak şekilde inşa edilmiş; her ikisinin de hafif mi, her ikisinin de ileri mi olduğundan birinin diğerine açıkça mi baskın olduğuna kadar durumu tanımlıyor. Kullanıcıların sisteme güvenmesini sağlamak için araştırmacılar, modelin enfeksiyonların şiddetini belirlerken hangi yaprak bölgelerine dayandığını gösteren Grad CAM adlı bir görselleştirme tekniği ekliyorlar.

Bahçelerde ve dijital laboratuvarlarda test

Ekip, yaklaşımlarını elma ve armut yapraklarına ait iki büyük açık görüntü koleksiyonunda eğitip test ediyor. Bu veri setleri, saha koşullarında fotoğraflanmış ve bitki sağlığı uzmanları tarafından etiketlenmiş birkaç yaygın hastalığı içeriyor. Dikkatli ön işleme, veri dengeleme ve modern grafik donanımında eğitim sonrası, birleşik sistem çoklu hastalık şiddetini derecelendirirken yaklaşık yüzde 95 doğruluğa ulaşıyor. Ayrıca verimli çalışıyor: kompakt ağ tasarımları ve hesaplamaların paylaşılmasına yönelik akıllı yöntemler kullanılarak model birçok standart derin öğrenme sistemine göre daha az hesaplama ve bellek gerektiriyor; bu da onu sahada doğrudan kullanılacak telefonlar veya uç cihazlar için uygun kılıyor.

Bu üreticiler için ne anlama geliyor

Günlük ifadeyle, bu çalışma ucuz bir kamera ile sade bir yapay zeka modelinin elma ve armut yapraklarında aynı anda birden çok hastalığı güvenilir biçimde tespit edip derecelendirebileceğini gösteriyor. Kabaca görsel tahminler yerine, üreticiler her bir yaprağın ne kadarının enfekte olduğu ve her bir hastalığın ne kadar ilerlediğine dair tutarlı sayısal tahminler alabilir. Yöntemin daha fazla bitki türü ve koşulda daha geniş testlere ihtiyacı olsa da, çiftçilere daha erken hareket etmeleri, uygulamaları daha hedefli yapmaları ve bahçelerde israf ile kimyasal kullanımını azaltmaları için yardımcı olacak pratik dijital keşifçilere işaret ediyor.

Atıf: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Anahtar kelimeler: bitki hastalığı tespiti, elma yaprağı hastalığı, armut yaprağı hastalığı, derin öğrenme tarım, hastalık şiddeti derecelendirmesi