Bitki fenotiplemede Ultralytics YOLO11 ve bilgisayarlı görü

Tarım gıda tedarikimiz için hayati önem taşır ve araştırmacılar onu temel bir zorluğa, yani iklim değişikliğine nasıl uyarlayabileceklerini sürekli araştırıyor. Küresel ısınma yetiştirme dönemlerini aksatıp dünya nüfusu artarken, sürekli değişen koşullara dayanabilecek ürünler geliştirme ihtiyacı çok önemli hâle geliyor. Bitki fenotiplemesi bu araştırmanın temel bir parçasıdır.

Bitki fenotiplemesi; boyut, renk, büyüme ve kök yapısı gibi bitki özelliklerinin incelenmesini kapsar. Bitkilerin farklı koşullara nasıl tepki verdiğini anlayarak kuraklığa, sıcağa veya verimsiz toprağa daha dayanıklı olanları belirleyebiliriz. Bu veriler, tarımsal üretkenliği artırmak için hangi ürünlerin ıslah edileceğine karar verirken kullanılabilir.

Bitki fenotiplemesi genellikle zaman ve yoğun emek gerektiren manuel görsel gözlemleri içerir. Yapay zekânın (AI) bir dalı olan bilgisayarlı görü, bitkileri inceleme biçimimizi baştan değiştirebilir. Bitki fenotiplemesinde bilgisayarlı görü kullanarak görüntülerden veya videolardan bitkileri otomatik olarak algılayıp analiz edebilir, hızı, tutarlılığı ve doğruluğu önemli ölçüde artırabiliriz.

Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri; dronlar, yer robotları veya elde taşınan cihazlar tarafından çekilen büyük hacimli görsel bitki verilerini işleyebilir. Çeşitli bilgisayarlı görü görevlerini destekleyen YOLO11, görüntü ve videolardaki farklı bitki özelliklerini analiz etmek için kullanılabilir.

Bu makalede geleneksel bitki fenotiplemesindeki zorluklara yakından bakacak ve Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin daha akıllı ve sürdürülebilir tarım uygulamalarını nasıl desteklediğini inceleyeceğiz.

Bitki fenotiplemesi nedir?#

Bitki fenotiplemesi, bir bitkinin fiziksel ve biyokimyasal özelliklerini gözlemleme ve analiz etme sürecidir. Bitki boyu, yaprak alanı, büyüme hızı ve stres tepkileri gibi verileri toplayarak bitkilerin nasıl büyüdüğüne ve farklı ortamlara nasıl tepki verdiğine dair değerli bilgiler edinebiliriz.

Bitki fenotiplemesi yoluyla toplanan veriler, ürün geliştirme, verim tahmini ve iklim dayanıklılığını artırma açısından hayati önem taşır. Bu veriler, çiftçilerin ve tarım uzmanlarının daha fazla yetiştirmek veya ıslah etmek için en iyi performans gösteren bitki çeşitlerini seçmesine de yardımcı olur.

Şekil 1. Bir araştırmacının bitki boyunu cetvelle ölçmesi.

Günümüzde bile bitki fenotiplemesi genellikle manuel yöntemler içerir. Araştırmacılar veya deneyimli çiftçiler tarlaları ziyaret eder, bitkileri fiziksel olarak ölçer ve verileri elle kaydeder. Bu yöntemler değerli olsa da çok fazla insan emeği gerektirir. Ayrıca farklı kişiler bitki özelliklerini farklı biçimlerde gözlemleyip yorumlayabileceğinden tutarsızlıklara yol açabilir.

Buna karşılık modern fenotipleme veya yüksek verimli bitki fenotiplemesi; tutarlılığa, doğruluğa ve bitkilere zarar vermeden veri toplamaya odaklanır. Bitkilere fiziksel olarak dokunmadan yüksek çözünürlüklü veri toplamak için RGB kameralar (standart renkli kameralar), hiperspektral sensörler (gözle görülebilen aralığın ötesi de dahil olmak üzere geniş bir renk bilgisi aralığını yakalayan cihazlar) ve LiDAR (Işık Algılama ve Mesafe Ölçümü) sistemleri (ayrıntılı 3D haritalar oluşturan lazer tabanlı tarayıcılar) gibi gelişmiş araçlar kullanılır.

Yapay zekâ ve bilgisayarlı görüyle birleştirildiğinde, bu müdahalesiz yöntemler bitki fenotiplemesinin doğruluğunu ve tutarlılığını önemli ölçüde artırmaya yardımcı olabilir.

Geleneksel bitki fenotiplemesinin sınırlamaları#

Temel bir yöntem olsa da geleneksel bitki fenotiplemesinin çeşitli sınırlamaları ve zorlukları vardır. Başlıca dezavantajlarından bazıları şunlardır:

• Manuel yöntemler: Geleneksel yöntemler insan emeğine dayanıyordu ve cetvel ile kumpas gibi fiziksel araçlar kullanılıyordu. Özellikle geniş tarım arazilerinde bu yöntemler zaman alıcı ve özneldi.
• Tahribatlı örnekleme: Bitkilerin iç özelliklerini incelemek için bitkiler sıklıkla zarar görüyor veya köklerinden sökülüyordu. Tahribatlı örnekleme, bitkilerin farklı zaman aralıklarındaki tepkilerinin izlenmesini imkânsız kılar.
• Dinamik değişimleri yakalama zorluğu: Geleneksel yöntemler çoğu zaman tek bir andaki görüntüyü yakalayarak bitki özelliklerinin zaman içindeki gelişimini gözden kaçırır.

Yüksek verimli bitki fenotiplemesi, ölçümleri daha doğru ve tutarlı hâle getirmek için bitki fenotiplemesini otomatikleştirmeye odaklanır. Tarımsal yenilik ve akıllı tarım için yeni kapılar açar.

Bilgisayarlı görünün bitki fenotiplemesindeki rolü#

Bilgisayarlı görü, makinelerin tıpkı insanlar gibi gerçek dünyadan gelen görsel bilgileri görmesini ve yorumlamasını sağlayan bir teknolojidir. Üç temel aşamadan oluşur: görüntü edinimi, işleme ve analiz.

İlk olarak görüntü edinimi, kameralar ve dronlar gibi çeşitli sensörler kullanılarak görsel verilerin yakalanmasını içerir. Ardından görüntü işleme, gürültü azaltma ve renk düzeltme gibi tekniklerle görüntülerin kalitesini ve netliğini artırır. Son olarak görüntü analizi, işlenmiş görüntülerden nesne algılama ve örnek segmentasyonu gibi farklı bilgisayarlı görü görevlerini kullanarak anlamlı bilgiler çıkarır. Ultralytics YOLO11 gibi modeller bu görüntü analizi için kullanılabilir ve bu tür görevleri destekler.

Şekil 2. YOLO11, tarladaki sebzeleri algılamak için kullanılabilir.

Yüksek verimli bitki fenotiplemesinde kullanılan diğer teknolojiler#

Bilgisayarlı görünün yanı sıra yüksek verimli bitki fenotiplemesi, ayrıntılı bitki görüntüleri ve videoları yakalamak için çeşitli yenilikçi teknolojilerden yararlanır. Veri toplamayı geliştiren bu temel araçlardan bazıları ve işlevleri şöyle:

• RGB görüntüleme: Bitki görüntülerini yakalamak için yaygın olarak standart RGB kameralar kullanılır. RGB görüntüleme, fenotip analizinin temelini oluşturur ve çoğu zaman daha karmaşık değerlendirmelerin ilk adımıdır.
• Hiperspektral görüntüleme: Bu teknoloji, görünür spektrumun ötesindeki çok çeşitli spektral bantları yakalar. Bitkinin kimyasal bileşimi hakkında ayrıntılı bilgi sağlar ve klorofil düzeyi, su içeriği ve besin eksikliği gibi etkenlerin belirlenmesine yardımcı olur.
• Termal görüntüleme: Termal kameralar, bitkilerin yaydığı kızılötesi ışınımı ölçerek yüzey sıcaklığı hakkında bilgi sunar. Bu müdahalesiz yöntem, bitki sağlığını izlemek ve olası sorunları erkenden belirlemek için kullanışlıdır.
• 3D görüntüleme: Derinlik kameraları ve LiDAR teknolojisi, bitkilerin üç boyutlu modellerini oluşturur. 3D görüntüleme, karmaşık bitki yapılarını analiz etmek ve farklılıkların büyümeyi ve verimliliği nasıl etkilediğini anlamak açısından kritik öneme sahiptir.

Şekil 3. Yüksek verimli bitki fenotiplemesinde kullanılan temel teknolojiler. Görselin sahibi: yazar.

Ultralytics YOLO11’in bitki fenotiplemesindeki uygulamaları#

Bilgisayarlı görü modelleri, çok çeşitli görevlerde bitki fenotiplemesinde giderek daha fazla kullanılıyor. Yaprak sayımından ayrıntılı morfolojik analize kadar bu teknolojiler, bitki sağlığını anlama ve yönetme biçimimizi dönüştürüyor. YOLO11 gibi modellerin bitki fenotiplemesine nasıl yardımcı olabileceğini gösteren gerçek dünya uygulamalarından bazılarına bakalım.

Ultralytics YOLO11 ile yaprak sayımı ve kuraklık tahmini#

Ultralytics YOLO11 gibi görsel modeller insansız hava araçlarına (UAV) entegre edildiğinde bitkilerin farklı özelliklerini gerçek zamanlı olarak analiz etmek için kullanılabilir. YOLO11’in yüksek çözünürlüklü hava görüntülerindeki yaprak uçları gibi küçük ayrıntıları algılama yeteneği, araştırmacıların ve çiftçilerin bitki gelişim aşamalarını geleneksel manuel yöntemlerden daha hassas biçimde takip etmesine yardımcı olur.

Örneğin Ultralytics YOLO11’in nesne algılama desteği, görünen yaprakların sayısını belirleyerek kuraklığa dayanıklı ve kuraklığa duyarlı pirinç bitkileri arasındaki farkları tespit etmek için kullanılabilir. Yaprak sayısı gibi görsel ipuçları, bitki biyokütlesi ve dayanıklılık gibi daha kapsamlı özelliklerle sıklıkla ilişkilidir.

Ultralytics YOLO11 ile çiçek algılama#

Çiçek algılama ve sayımı, özellikle çiçek miktarının verim potansiyeliyle yakından ilişkili olduğu ürünlerde bitki fenotiplemesinin ilgi çekici yönlerindendir. Ultralytics YOLO11, çeşitli çiçek yapılarını algılamak için kullanılabilir. Çiçek algılama sürecini otomatikleştirerek çiftçiler ve araştırmacılar; tozlaşma zamanlaması, kaynak tahsisi ve genel ürün sağlığıyla ilgili daha hızlı, veriye dayalı kararlar alabilir.

Yapay zekâ ve Ultralytics YOLO11 ile bitki hastalıklarını algılama#

Bitki hastalıklarını tespit etmek, ürün sağlığını izlemenin önemli bir parçasıdır. YOLO11'in görüntü sınıflandırma özellikleri kullanılarak bitki görselleri sınıflandırılabilir ve hastalığın erken belirtileri belirlenebilir. YOLO11, otomatik hastalık tespiti için dronlar, mobil uygulamalar veya tarla robotları gibi cihazlara da entegre edilebilir. Böylece çiftçiler hastalık salgınlarına zamanında müdahale edebilir, verim kaybını azaltabilir ve pestisit kullanımını en aza indirebilir.

Örneğin Ultralytics YOLO11, üzüm yaprak kıvırcıklığı hastalığı belirtileri gösterebilecek asma yaprağı görüntülerini sınıflandırmak için özel olarak eğitilebilir. Model; sağlıklı yapraklar, hafif renk değişimi ve şiddetli belirtiler gibi farklı hastalık aşamalarını kapsayan etiketli örneklerden öğrenir. Renk değişiklikleri ve damarların renk değiştirmesi gibi belirgin görsel örüntüleri tanıyan YOLO11, üzüm yetiştiricilerinin enfeksiyonları erken tespit etmesine ve tedavi konusunda daha bilinçli kararlar almasına yardımcı olur.

Şekil 4. Asma yaprağı kıvırcıklığı hastalığının görünümüne dair örnekler.

Bitki fenotiplemesinde Ultralytics YOLO11 kullanmanın avantajları#

Geleneksel bitki fenotipleme yöntemlerine kıyasla Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanmanın bazı avantajları şunlardır:

• Ölçeklenebilirlik ve maliyet etkinliği: Süreçleri Ultralytics YOLO11 ile otomatikleştirmek manuel iş gücü ihtiyacını azaltabilir; bu da onu büyük ölçekli tarımsal faaliyetler için ölçeklenebilir ve maliyet etkin bir çözüm hâline getirir.
• Gerçek zamanlı uyarılar: Ultralytics YOLO11 kullanılarak elde edilen içgörülerin otomatik sistemlerle entegre edilmesi, olası sorunlarla ilgili anında bildirimler göndererek hızlı karar almayı destekler.
• Sürdürülebilir tarım uygulamaları: Bilgisayarlı görü, manuel müdahaleleri ve kimyasal kullanımını azaltarak tarımın çevre dostu ve sürdürülebilir olmasına katkıda bulunur.

Bitki fenotiplemede bilgisayarlı görüyle ilgili zorluklar#

Bilgisayarlı görü, bitki fenotipleme konusunda birçok avantaj sunsa da bu sistemleri uygulamanın beraberinde getirdiği sınırlamaları göz önünde bulundurmak önemlidir. Önemli endişelerden bazıları şunlardır:

• Veri kümesi gereksinimleri: Modelleri eğitmek için büyük, çeşitli ve iyi etiketlenmiş veri kümeleri gerekir. Bu veri kümelerini toplamak, özellikle nadir ürünler veya benzersiz koşullar söz konusu olduğunda zor ve zaman alıcı olabilir.
• Gizlilik endişeleri: Tarlalarda dronlar ve akıllı kameralar yaygınlaştıkça verilerin kime ait olduğu, nasıl saklandığı ve uygun izin alınmadan kullanılıp kullanılmadığı konusunda sorular ortaya çıkıyor.
• Çevresel koşullar: Değişen ışık koşulları, hava durumu ve arka plandaki karmaşa, öngörülemeyen tarım ortamlarında görsel analiz doğruluğunu etkileyebilir.

Yüksek verimli bitki fenotiplemeye geçiş#

Bitki fenotiplemenin geleceği, ürün sağlığı ve gelişimi hakkında daha net bir tablo sunmak için birlikte çalışan akıllı ve birbirine bağlı sistemlere doğru ilerliyor. Heyecan verici eğilimlerden biri, aynı anda birden fazla sensörün kullanılması. Çeşitli kaynaklardan gelen verileri birleştirerek bitkide neler olup bittiğini çok daha kapsamlı ve doğru bir şekilde anlayabiliriz.

Pazar eğilimleri de gelişmiş bitki fenotipleme yöntemlerine yönelik ilginin arttığını gösteriyor. Küresel bitki fenotipleme pazarı bu yıl (2025) yaklaşık 311,73 milyon dolar değerinde ve 2030'a kadar 520,80 milyon dolara ulaşması bekleniyor.

Şekil 5. Bitki fenotipleme pazarının değeri.

Önemli çıkarımlar#

Bitki fenotiplemede bilgisayarlı görü, bitkilerin ölçüm ve analizini otomatikleştirmeye yardımcı oluyor. Ultralytics YOLO11 gibi Görsel Yapay Zeka modelleri manuel iş yükünü azaltabilir, daha iyi sonuçlar elde edebilir ve ürünleri geniş ölçekte izlemeyi kolaylaştırabilir. Geleneksel yöntemlerden akıllı, teknoloji odaklı sistemlere geçiş; iklim değişikliği, gıda kıtlığı ve sürdürülebilir tarım gibi küresel zorlukları ele alma yolunda önemli bir adımdır.

İleride bilgisayarlı görünün yapay zekâ, robotik ve akıllı sensörler gibi diğer teknolojilerle entegrasyonu tarımı daha akıllı ve verimli hâle getirecek. Yapay zekâ ilerledikçe bitkileri sürekli izleyebileceğimiz, büyümelerini hassas biçimde ayarlayabileceğimiz ve gerekli bakımı sağlayabileceğimiz bir geleceğe yaklaşıyoruz.

Yapay zeka yenilikleri hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet. Çözüm sayfalarımızda üretimde yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi alanlardaki en yeni gelişmeleri keşfet. Lisanslama seçeneklerimize göz at ve bugün bilgisayarlı görüyle çalışmaya başla!