Scientific Reports'ta 13 Ağustos 2026'da yayımlanan erken erişim makalesi, farklı ürünlerde yaprak hastalığı görüntülerini sınıflandırmak için iki aşamalı hibrit bir çerçeve önerdi. İlk aşamada domates, biber ve patatese ait 21 sınıfta dört ön eğitimli evrişimli sinir ağı özellik çıkarıcı olarak karşılaştırıldı. İkinci aşamada yedi ürünü ve 25 sınıfı kapsayan veri setinden Vision Transformer özellikleri çıkarılarak makine öğrenmesi sınıflandırıcılarına verildi. MobileNetV2-SVM birleşimi yüzde 89,44, ViT-SVM birleşimi yüzde 98 doğruluk bildirdi. Bu sonuçlar kontrollü veri bölünmesindeki sınıflandırma performansıdır; tarlada otonom teşhis, ilaçlama komutu veya ekonomik kayıp azalması kanıtı değildir.
İki aşama aynı sorunun farklı ölçeklerini sınadı
CNN aşamasında VGG16, ResNet50, InceptionV3 ve MobileNetV2 modelleri yapraktan özellik çıkarmak için kullanıldı. Bu özellikler destek vektör makinesi gibi ayrı sınıflandırıcılara aktarıldı. Araştırmacılar hesaplama maliyeti ile doğruluk arasında karşılaştırma yaparak MobileNetV2-SVM bileşimini en güçlü CNN tabanlı sonuç olarak bildirdi.
İkinci aşama, küresel görüntü ilişkilerini temsil eden Vision Transformer özelliklerini yedi ürünlü 25 sınıf üzerinde sınadı. ViT-SVM yüzde 98 doğruluğa ulaştı. Ancak iki aşamanın veri seti ve sınıf yapısı aynı olmadığı için yüzde 89,44 ile yüzde 98'i yalnız mimari üstünlük gibi okumak doğru değil; örneklerin zorluğu ve bölünme yöntemi de sonucu etkiler.
Doğruluk saha genellenebilirliğini tek başına göstermiyor
Yaprak hastalığı veri setlerinde aynı arka plan, ışık, kamera ve bitkinin benzer kareleri eğitim ile test kümelerine dağılırsa model gerçekte olduğundan güçlü görünebilir. Yeni çiftlik, yeni cihaz, erken belirti, besin noksanlığı, ilaç yanığı ve birden fazla stresin birlikte bulunduğu yapraklar farklı bir alan oluşturur.
Yüzde 98 değeri yanlış pozitif ve yanlış negatiflerin hangi hastalıklarda toplandığını da tek başına açıklamaz. Üretimde yanlış hastalık adı gereksiz uygulamaya, geciken uzman incelemesi ise salgının yayılmasına yol açabilir. Sınıf bazlı duyarlılık, özgüllük, kalibrasyon ve belirsizlik eşiği kullanım amacına göre değerlendirilmelidir.
Teşhis ile sınıflandırma aynı şey değil
Görüntü modeli listesinde bulunan sınıflardan en benzerini seçer. Bitki patoloğu ise konukçu, belirti dağılımı, tarla deseni, hava, geçmiş uygulama ve gerektiğinde laboratuvar sonucunu birlikte değerlendirir. Model listesinde bulunmayan bir hastalık ya da abiyotik stres, bilinen bir sınıfa yüksek güvenle atanabilir.
Bu nedenle üretici arayüzünde sonuç 'kesin teşhis' olarak değil, inceleme önceliği ve olası sınıf olarak sunulmalı. Düşük güven, yeni örüntü veya yüksek riskli hastalıkta uzman yönlendirmesi bulunmalı. Görüntü saklama, veri sahipliği ve model sürümü de denetlenebilirlik için kaydedilmeli.
Editoryal değerlendirme: ticari değer dış saha testinde ölçülür
Çalışma, farklı özellik çıkarıcıları ortak sınıflandırıcılarla sistematik karşılaştırdığı için araştırma değeri taşıyor. Ticari uygulamanın sonraki kapısı, eğitim verisine benzemeyen çiftliklerde kör ve sezonlar arası testtir. Ölçüm yalnız görüntü doğruluğu değil, doğru uzmana yönlendirme süresi, gereksiz uygulama oranı ve kaçırılan salgın maliyetini kapsamalı.
Türkiye'de sebze ve sera üretiminde bir pilot kurulacaksa yerel çeşit, hastalık, besin stresi, kamera ve işletme koşullarıyla bağımsız doğrulama yapılmalı. Modelin yüksek veri seti doğruluğu ruhsatlı bitki koruma tavsiyesi veya insan denetiminin kaldırılması anlamına gelmez.
Neden önemli?
Çok ürünlü görüntü modelleri tarla gözlemini ölçekleyebilir; ancak veri seti doğruluğu, yeni işletmelerde güvenilir teşhis ve güvenli uygulama sonucuyla aynı değildir.
Türkiye için ne ifade ediyor?
Türkiye'deki sera ve tarla pilotları yerel hastalık sınıflarıyla kör dış doğrulama, belirsizlik eşiği ve uzman onay akışı kurmadan modeli uygulama komutuna bağlamamalı.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
