ResNet50, PCA ve SVM kullanılarak sağlam ve verimli bitki yaprağı hastalığı tespiti için hibrit derin öğrenme modeli

Neden hasta yaprakları erken saptamak önemli

Birçok çiftçi için tek bir bitki hastalığı salgını, tüm sezonluk gelirin kaybedilmesi anlamına gelebilir. Yaprakları inceleyerek hastalığı erken yakalamak hasatları korumaya yardımcı olur, ancak insan gözüyle bu işlem yavaş ve sıklıkla güvenilmezdir. Bu çalışma, dikkatle tasarlanmış bir bilgisayar sisteminin yaprak fotoğraflarına bakarak, büyük bilgisayarlara veya devasa eğitim veri kümelerine ihtiyaç duymadan hızlıca sağlıklı mı yoksa hasta mı olduklarını söyleyip söyleyemeyeceğini araştırıyor. Amaç, bir gün mütevazı cihazlarda çalışabilecek ve hassas tarımdaki kararları yönlendirebilecek bir araç geliştirmek.

Yaprak fotoğraflarını okumanın daha akıllı bir yolu

Araştırmacılar pratik bir soruya odaklanıyor: yaprak görüntülerinden güçlü hastalık tespiti nasıl elde edilirken hesap yükü düşük tutulabilir? Birçok modern görüntü tanıma yöntemi, güçlü donanım ve uzun eğitim süreleri gerektiren çok büyük sinir ağları kullanır. Bunlar araştırma laboratuvarlarında iyi sonuç verebilir, ancak telefonlar, küçük tarım bilgisayarları veya düşük maliyetli sensörlerde konuşlandırılması zordur. Yepyeni bir algoritma icat etmek yerine yazarlar, doğruluk, hız ve basitlik arasında denge sağlayan iyi bilinen bileşenleri bir araya getiriyor. Sistemleri, PlantVillage adlı 38 çeşitten oluşan popüler bir kamu koleksiyonundaki sağlıklı ve hasta yapraklar üzerinde çalışıyor.

Hafif bir tespit hattı kurmak

Hat basit görüntü hazırlığı ile başlıyor. Yaprak fotoğrafları standart bir boyuta yeniden boyutlandırılıyor ve hafifçe işleniyor; bazı testlerde ise genellikle hastalığı işaret eden kırmızımsı veya kahverengi lekeleri vurgulayan isteğe bağlı bir renk adımı kullanılıyor. Sistemin çekirdeği, geniş bir genel fotoğraf koleksiyonundan birçok deseni öğrenmiş ön-eğitimli bir görüntü ağı olan ResNet50’dir. Burada ResNet50 baştan yeniden eğitilmiyor; donmuş bir özellik okuyucusu gibi davranarak her yaprak görüntüsünü şekiller, renkler ve hastalıkla ilişkili dokuları yakalayan uzun sayısal parmak izlerine dönüştürüyor.

Anlamı koruyarak veriyi azaltmak

Bu parmak izleri çok uzundur ve tekrarlayan bilgi içerir; bu da sonraki işlemleri yavaşlatır ve modelin eğitim verisini ezberlemesine yol açan aşırı uyum riskini artırır. Buna çözüm olarak ekip, uzun parmak izini anlamlı varyasyonun çoğunu koruyarak çok daha kısa bir hale sıkan klasik bir yöntem olan Temel Bileşen Analizi (PCA) uyguluyor. Bu adım, bilgisayarın depolaması ve işlemesi gereken miktarı keskin şekilde azaltıyor. Kompakt parmak izleri daha sonra bu indirgenmiş uzayda farklı hastalık türleri ile sağlıklı yapraklar arasında sınırlar çizen geleneksel bir sınıflandırıcı olan Destek Vektör Makinaya (SVM) veriliyor.

Sistemin performansı nasıl

Hibrit tasarım birkaç şekilde test edildi. Tek bir eğitim–doğrulama bölünmesi kullanıldığında sistem eğitim verisinde neredeyse %99; doğrulama görüntülerinde ise yaklaşık %89 doğruluk elde etti; 38 sınıfın tamamı için precision, recall ve F1 gibi ayrıntılı puanlar raporlandı. Güvenilirliği kontrol etmek için yazarlar beş katlı çapraz doğrulama yaptı; bu yöntem veriyi tekrar tekrar yeni eğitim ve test setlerine karıştırır. Bu, ortalama yaklaşık %98,6 doğruluk üretti; bu da yöntemin kararlı olduğunu ve tek bir şansa bağlı olmadığını gösteriyor. Bileşenlerin etkinliğini ölçen ablation çalışması (bileşenleri açıp kapama), ResNet50 özellikleri, boyut indirgeme ve SVM sınıflandırıcısının tam kombinasyonunun PCA’yı atlayan veya bir sinir ağının kendi son katmanını kullanan daha basit düzenlemelerden daha iyi performans gösterdiğini ortaya koydu.

Sınırlar, sağlamlık ve sahadaki gelecekteki kullanım

Çalışma ayrıca sistemi daha gerçekçi koşullarda inceleyerek aydınlatma değişikliklerini taklit etti ve görüntülere gürültü ekledi. Parlaklık değiştiğinde performans güçlü kaldı, ancak rastgele gürültü eklendiğinde düştü; bu zayıflık gelecekteki çalışmaların ele alabileceği bir alanı işaret ediyor. Kırmızı veya kahverengi lekeleri vurgulayan isteğe bağlı renk tabanlı segmentasyon, bu temiz laboratuvar tarzı veri seti için genel doğruluk üzerinde sadece küçük bir etkiye sahip çıktı; bu nedenle yorumlanabilir ancak zorunlu olmayan bir aşama olarak ele alınıyor. Önemli olarak yazarlar, deneylerin kontrollü görüntüler kullanılarak gerçekleştirildiğini, dağınık saha fotoğraflarıyla değil, gerçek dünya performansının hâlâ test edilmesi gerektiğini vurguluyor.

Bu çiftçiler ve araçlar için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma var olan araçların dikkatle ayarlanmış bir karışımının, bellek kullanımı ve hesaplamayı kontrol altında tutarken birçok bitki yaprağı hastalığını yüksek doğrulukla tanıyabileceğini gösteriyor. Güçlü bir görüntü ağını dondurarak, çıktısını kırparak ve yalın bir sınıflandırıcıya dayanarak çerçeve, kaynakları sınırlı çiftliklerde mütevazı donanımlarda çalışabilecek hastalık tespit sistemleri için bir şablon sunuyor. Tüm saha zorluklarını çözdüğünü iddia etmiyor, ancak uygun maliyetli ve güvenilir yaprak tarama araçları inşa etmek için pratik bir temel oluşturuyor.

Atıf: Begum, S., E, N. & N. N., S. A hybrid deep learning model for robust and efficient plant leaf disease detection using ResNet50, PCA, and SVM. Sci Rep 16, 15805 (2026). https://doi.org/10.1038/s41598-026-46085-w

Anahtar kelimeler: bitki hastalığı tespiti, yaprak görüntü analizi, derin öğrenme, hassas tarım, hibrit model