Tarımda Görme Tabanlı Yapay Zeka: Transformatör Tabanlı Bitki Sağlığı ve Hastalık Tespiti

Özet

Tarımsal üretim, bitki hastalıkları nedeniyle giderek artan bir tehdit altındadır ve bu durum ciddi ekonomik kayıplara ve gıda güvenliği sorunlarına yol açmaktadır. Geleneksel hastalık tespit yöntemleri genellikle çiftçilerin ve uzmanların görsel incelemelerine dayanır, ancak bu yöntemler zaman alıcı, emek yoğun ve hata payı yüksek olabilir. Son yıllarda Yapay Zeka (YZ) alanındaki gelişmeler, özellikle Transformer tabanlı modeller, bitki hastalıklarının tespit edilmesinde önemli fırsatlar sunmaktadır.

Bu çalışma, Vision Transformers (ViT), Swin Transformer ve Konvolüsyonel Sinir Ağı  modellerinin bitki sağlığı izleme ve hastalık tespitinde nasıl kullanılabileceğini araştırmaktadır. Geleneksel Konvolüsyonel Sinir Ağları (CNNs) ile karşılaştırıldığında, Transformer tabanlı modeller, görüntülerdeki uzun menzilli bağıntıları daha iyi yakalayarak daha doğru ve bağlamsal tahminler yapabilmektedir. Büyük ölçekli tarımsal veri kümeleri kullanılarak, bu modeller farklı bitki hastalıklarına ilişkin karmaşık görsel desenleri öğrenebilir.

Çalışmada, kamuya açık PlantVillage gibi veri setlerinden toplanan görüntüler ile dronlar ve mobil cihazlar aracılığıyla elde edilen özel veri kümeleri kullanılmıştır. Görüntüler, PyTorch ve TensorFlow çerçeveleri kullanılarak ön işleme, veri artırma ve model eğitimi aşamalarından geçirilmiştir. Modelin performansı, doğruluk (accuracy), F1-skora ve Intersection over Union (IoU) gibi metriklerle değerlendirilmektedir.

Ön bulgular, ViT ve Swin Transformer modellerinin CNN'lerden daha iyi performans gösterdiğini ve farklı tarım ortamlarında genelleme kabiliyetlerinin daha yüksek olduğunu ortaya koymaktadır.  Bu çalışma, hassas tarım (precision agriculture) alanına katkıda bulunarak, AI tabanlı görüntüleme modellerinin bitki hastalıklarıyla mücadelede nasıl devrim yaratabileceğini göstermektedir. Gelecekte, Edge AI teknolojileri ile düşük güç tüketen mobil cihazlar ve dronlar üzerinde gerçek zamanlı hastalık tespiti hedeflenmektedir. Ayrıca, hiperspektral görüntüleme ve toprak sağlığı göstergeleri gibi çoklu veri kaynaklarının entegrasyonu, modelin dayanıklılığını artıracaktır. Yapay zekanın tarımsal üretime entegre edilmesi, çiftçilerin veriye dayalı kararlar almasını, pestisit kullanımını azaltmasını ve gıda güvenliğini artırmasını sağlayarak sürdürülebilir tarıma katkıda bulunacaktır.