GroupCeptionNet: makro görüntülerle biber tohumu çimlenmesini sınıflandırmak için hafif bir model

Neden küçük tohumlar büyük hasatlar için önemlidir

Çiftçiler ve bahçıvanlar için her sağlıklı tohum gelecekteki ürün ve gelir vaadidir. Ancak her tohum filizlenmez ve iyi ile kötüyü ayırma uzun süre el ile yapılan kontrollere veya pahalı laboratuvar araçlarına dayanıyordu. Bu çalışma, net yakın çekim fotoğraflar ve kompakt bir yapay zeka modelinin yalnızca basit bir kamera ve sınırlı hesaplama gücü kullanarak biber tohumlarının çimlenme olasılığını hızla değerlendirebileceğini gösteriyor.

Daha yakından bakarak daha fazlasını görmek

Biber önemli bir üründür ve tohum kalitesi doğrudan verimi ve kârı etkiler. Görsel inceleme, tohumları suda yüzdürme veya boyama gibi geleneksel testler beceri ve zaman gerektirir ve tutarsız olabilir. Yüksek teknoloji tarayıcılar ve hiperspektral kameralar daha iyi sonuç verebilir, fakat pahalıdır ve sıradan tohum fabrikaları veya çiftliklere kolayca konuşlandırılamaz. Yazarlar bunun yerine birçok akıllı telefonun artık sunduğu aynı makro fotoğrafçılığı kullandılar. Bu düzenekte her tohum görüntünün büyük bir bölümünü kaplar ve standart fotoğraflarda zor görülen ince yüzey ayrıntılarını—küçük çatlaklar, kırışıklıklar veya küfün erken belirtileri gibi—açığa çıkarır.

Biber tohumlarının ayrıntılı bir resmini oluşturmak

Araştırma ekibi, ticari bir biber çeşidine ait 3840 makro görüntüden oluşan özel bir veri seti oluşturdu. Her tohum koyu bir arka plan üzerinde, kontrollü aydınlatma altında makro modunda bir telefonla fotoğraflandı. Tohumlar ardından 14 gün süren standart bir çimlenme testinden geçirildi, böylece her görüntü “çimlenmiş” veya “çimlenmemiş” olarak etiketlenebildi. Doğal olarak kötü tohumlar nispeten nadir olduğundan, araştırmacılar bazı tohumları dikkatlice hasarlayıp yaygın mantarlara maruz bırakarak daha fazla çimlenmemiş örnek eklediler. Ayrıca fotoğraflardaki arka planı kaldırıp her tohumu sıkı kırpma ile izole ederek modelin çevresel gürültü yerine tohum yüzeyine odaklanmasını sağladılar.

Sıkı alanlar için tasarlanmış bir kompakt model

Bu görüntüleri güvenilir kararlara dönüştürmek için yazarlar GroupCeptionNet adında hafif bir sinir ağı tasarladılar. Model, hesaplamaları azaltmak için işlemleri gruplara ayırma ve görüntü özelliklerini aynı anda birkaç farklı ölçekte inceleme gibi iki popüler derin öğrenme yapısından fikirler ödünç alıyor. Aşamalar halinde üst üste dizilen bu tasarım, modelin toplam parametre sayısını çok düşük tutarken ince ayrıntılardan tohumun genel görünümüne kademeli olarak geçiş yapmasını sağlıyor. Özellikler çıkarıldıktan sonra ağ bunları tek bir özet halinde ortalıyor ve basit iki yönlü bir çıktı veriyor: muhtemelen çimlenecek ya da çimlenmeyecek.

Hız, doğruluk ve görüntü kalitesini test etmek

Araştırmacılar GroupCeptionNet’i ağır hizmet ağları ve dönüştürücü tabanlı sistemler de dahil olmak üzere çok çeşitli tanınmış görüntü modelleriyle karşılaştırdı. Yaklaşık 1.4 milyon parametreye sahip olmasına rağmen, modelleri yaklaşık %94.7 doğruluk ve neredeyse aynı F1 skoru elde ederek çok daha fazla bellek ve hesaplama gücü kullanan büyük rakiplerini geride bıraktı veya onlarla eşit performans gösterdi. Görüntü arka planının kaldırılması genel olarak tüm modellerde performansı artırdı; bu da temiz, tohuma odaklı görüntülerin yardımcı olduğunu doğruladı. Ekip ayrıca tohumların daha düşük çözünürlüklerde, örneğin sıradan akıllı telefon fotoğrafları veya uzak çekimler halinde yakalanması durumunu simüle etti. Performans belirgin şekilde düştü ve makro görüntülerin gerçekten kritik ince ipuçları sağladığını gösterdi.

İnsanların baktığı yere bakmak

Modelin anlamlı bölgelere odaklanıp odaklanmadığını kontrol etmek için yazarlar her tohum görüntüsünde kararını en çok etkileyen kısımları görselleştirdiler. Sağlıklı tohumlarda GroupCeptionNet genellikle tüm düzgün yüzeyi kapsarken, kötü tohumlarda çürüme, küf, çatlak veya renklenme bölgelerine yoğunlaştı. Bu dikkat haritaları önceden uzmanların işaretlediği alanlarla iyi örtüştü ve birçok rakip modelin haritalarından daha tutarlı bulundu. Ağın varyantları üzerinde yapılan ek testler, gruplanmış işlemlerle çok ölçekli özellik çıkarımının doğruluk ile düşük kaynak kullanımı arasında denge kurmada kilit olduğunu doğruladı.

Çiftçiler için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma pahalı laboratuvar ekipmanı gerektirmeden ucuz yakın çekim fotoğrafçılığı ve küçük, özenle tasarlanmış bir AI modelinin biber tohumlarını neredeyse çok daha ağır sistemler kadar iyi ayırabileceğini gösteriyor. Bu, tohum konveyörünün yanında duran ve güçlü tohumları zayıf olanlardan gerçek zamanlı olarak otomatik ayıran kompakt cihazları hayal etmeyi gerçekçi kılıyor. Çalışma tek bir biber çeşidine odaklansa da aynı yaklaşım diğer ürünlere uyarlanarak verimi artırmaya ve israfı azaltmaya yardımcı olabilir.

Atıf: Ao, C., Xu, T. GroupCeptionNet: a lightweight model for classifying chili seed germination with macro images. Sci Rep 16, 15619 (2026). https://doi.org/10.1038/s41598-026-46875-2

Anahtar kelimeler: biber tohumu çimlenmesi, makro görüntüleme, hafif sinir ağı, tohum kalitesi, akıllı tarım