Bitki fenotiplemesinde Ultralytics YOLO11 ve bilgisayarlı görü

Tarım, gıda arzımız için vazgeçilmezdir ve araştırmacılar her zaman önemli bir zorluk olan iklim değişikliği ile ilgili süreçleri optimize etmenin yollarını aramaktadırlar. Küresel ısınmanın büyüme mevsimlerini sekteye uğratması ve dünya nüfusunun artmasıyla birlikte, sürekli değişen ortamlara dayanabilecek ürünler geliştirme ihtiyacı oldukça gerçektir. Bitki fenotipleme bu araştırmanın önemli bir parçasıdır.

Bitki fenotipleme; boyut, renk, büyüme ve kök yapıları gibi bitki özelliklerinin incelenmesini içerir. Bitkilerin farklı koşullara nasıl tepki verdiğini anlayarak, hangilerinin kuraklığa, sıcağa veya kötü toprağa karşı daha donanımlı olduğunu belirleyebiliriz. Bu veriler, tarımsal verimliliği artırmak için hangi ürünlerin yetiştirilmesi gerektiğine dair kararlar almak için kullanılabilir.

Tipik olarak bitki fenotiplemesi, zaman alıcı ve emek yoğun olabilen manuel görsel gözlemleri içerir. Yapay zekanın (AI) bir dalı olan Computer vision, bitkileri inceleme biçimimizi yeniden tanımlayabilir. Bitki fenotiplemesinde computer vision kullanarak bitkileri görüntü veya videolardan otomatik olarak tespit edip analiz edebilir, hızı, tutarlılığı ve doğruluğu önemli ölçüde artırabiliriz.

Örneğin, Ultralytics YOLO11 gibi computer vision modelleri, dronlar, yer robotları veya el cihazları tarafından yakalanan devasa hacimdeki görsel bitki verilerini işleyebilir. Çeşitli computer vision görevleri için sunduğu destek sayesinde YOLO11, görüntü ve videolardaki çeşitli bitki özelliklerini analiz etmek için kullanılabilir.

Bu makalede, geleneksel bitki fenotiplemesindeki zorlukları daha yakından inceleyecek ve Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin daha akıllı ve sürdürülebilir tarım uygulamalarına nasıl öncülük ettiğini keşfedeceğiz.

Bitki fenotipleme nedir?#

Bitki fenotipleme, 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 büyüdüğü ve çeşitli ortamlara nasıl tepki verdiği konusunda değerli içgörüler elde edebiliriz.

Bitki fenotipleme yoluyla toplanan veriler; ürün iyileştirme, verim tahmini ve iklim direncini artırma için hayati önem taşır. Bu veri noktaları ayrıca çiftçilerin ve tarım uzmanlarının daha fazla yetiştirme veya ıslah için en iyi performans gösteren bitki çeşitlerini seçmelerine yardımcı olur.

Şekil 1. Bir araştırmacı cetvel kullanarak bitkinin boyunu ölçüyor.

Günümüzde bile, bitki fenotipleme genellikle manuel yöntemleri içerir. Araştırmacılar veya uzman çiftçiler tarlaları ziyaret eder, bitkileri fiziksel olarak ölçer ve verileri elle kaydeder. Değerlerine rağmen, bu yöntemler çok fazla insan çabası gerektirir. Ayrıca, farklı insanlar bitki özelliklerini farklı şekilde gözlemleyip yorumlayabileceğinden tutarsızlıklara da yol açabilirler.

Ancak modern fenotipleme veya yüksek verimli bitki fenotiplemesi, tutarlılığa, accuracy ve tahrip edici olmayan veri toplamaya odaklanır. Bitkiler; bitkilere fiziksel olarak zarar vermeden yüksek çözünürlüklü veriler yakalamak için RGB kameralar (standart renkli kameralar), hiperspektral sensörler (gözün görebildiğinin ötesindeki geniş bir renk aralığını yakalayan cihazlar) ve LiDAR (Işık Tespiti ve Uzaklık Ölçümü) sistemleri (ayrıntılı 3B haritalar oluşturan lazer tabanlı tarayıcılar) gibi gelişmiş araçlar kullanılarak izlenir.

Yapay zeka ve bilgisayarlı görü ile birleştirildiğinde, bu invaziv olmayan yöntemler bitki fenotiplemenin doğruluğunu ve tutarlılığını önemli ölçüde artırmaya yardımcı olabilir.

Geleneksel bitki fenotiplemenin sınırlamaları#

Temel olmalarına rağmen, geleneksel bitki fenotipleme yöntemlerinin çeşitli sınırlamaları ve zorlukları vardır. İşte temel dezavantajlarından bazıları:

• Manuel yöntemler: Geleneksel yöntemler insan çabasına dayanıyordu ve cetvel ve kumpas gibi fiziksel araçlar kullanılıyordu. Özellikle büyük tarım arazilerinde zaman alıcı ve öznel yöntemlerdi.
• Tahribatlı örnekleme: İç bitki özelliklerini incelemek için bitkiler genellikle zarar görüyor veya kökünden sökülüyordu. Tahribatlı örnekleme, bitkilerin farklı zaman aralıklarında nasıl tepki verdiğini izlemeyi imkansız hale getirir.
• Dinamik değişiklikleri yakalamadaki zorluk: Geleneksel yöntemler genellikle zamanın tek bir anını yakalar ve bitki özelliklerinin zaman içindeki evrimini kaçırır.

Yüksek verimli bitki fenotipleme, ölçümleri daha doğru hale getirmek ve tutarlılığı korumak için bitki fenotiplemeyi otomatikleştirmeye odaklanır. Tarımsal inovasyon ve akıllı tarım için yeni kapılar açar.

Bitki fenotiplemede bilgisayarlı görünün rolü#

Bilgisayarlı görü, makinelerin tıpkı insanlar gibi gerçek dünyadan gelen görsel bilgileri görmesini ve yorumlamasını sağlayan bir teknolojidir. Görüntü edinme, işleme ve analiz olmak üzere üç temel aşamayı içerir.

İlk olarak, görüntü edinimi, kameralar ve dronlar gibi çeşitli sensörler kullanılarak görsel verilerin yakalanmasını içerir. Ardından, image processing, gürültü azaltma ve renk düzeltme gibi teknikler kullanarak görüntülerin kalitesini ve netliğini artırır. Son olarak, görüntü analizi, nesne tespiti ve instance segmentation gibi farklı computer vision görevlerini kullanarak işlenen görüntülerden anlamlı bilgiler çıkarır. Ultralytics YOLO11 gibi modeller bu görüntü analizi için kullanılabilir ve bu tür görevleri destekler.

Fig 2. YOLO11, bir tarladaki sebzeleri tespit etmek için kullanılabilir.

Yüksek verimli bitki fenotiplemede yer alan diğer teknolojiler#

Bilgisayarlı görünün ötesinde, yüksek verimli bitki fenotipleme, ayrıntılı bitki görüntüleri ve videoları yakalamak için çeşitli yenilikçi teknolojilere dayanır. İşte bu temel araçlardan bazıları ve bunların veri toplamayı nasıl geliştirdikleri:

• RGB imaging: Standart RGB kameralar genellikle bitkilerin görüntülerini yakalamak için kullanılır. RGB görüntüleme, fenotipik analizin merkezindedir ve genellikle daha karmaşık değerlendirmelerde ilk adım olarak hizmet eder.
• Hiperspektral görüntüleme: Bu teknoloji, görünür spektrumun ötesinde geniş bir spektral bant aralığını yakalar. Bir bitkinin kimyasal bileşimi hakkında ayrıntılı bilgi sağlar ve klorofil seviyeleri, su içeriği ve besin eksiklikleri gibi faktörleri tespit etmeye yardımcı olur.
• Termal görüntüleme: Termal kameralar, bitkilerin yaydığı kızılötesi radyasyonu ölçerek yüzey sıcaklığı hakkında içgörüler sunar. Bu invaziv olmayan yöntem, bitki sağlığını izlemek ve potansiyel sorunları erkenden tespit etmek için kullanışlıdır.
• 3D imaging: Derinlik kameraları ve LiDAR teknolojisi, bitkilerin üç boyutlu modellerini oluşturur. 3D görüntüleme, karmaşık bitki yapılarını analiz etmek ve varyasyonların büyüme ve verimliliği nasıl etkilediğini anlamak için çok önemlidir.

Şekil 3. Yüksek verimli bitki fenotiplemede kullanılan temel teknolojiler. Görsel: Yazar.

Ultralytics YOLO11'in bitki fenotiplemedeki uygulamaları#

Computer vision models kademeli olarak geniş bir görev yelpazesinde bitki fenotiplemesinde kullanılmaktadır. Yaprak sayımından ayrıntılı morfolojik analize kadar bu teknolojiler, bitki sağlığını anlamave yönetme şeklimizi dönüştürüyor. YOLO11 gibi modellerin bitki fenotiplemesine yardımcı olabileceği bazı gerçek dünya uygulamalarını inceleyelim.

Ultralytics YOLO11 kullanarak yaprak sayma ve kuraklık tahmini#

Ultralytics YOLO11 gibi görme modelleri İHA'larla (insansız hava araçları) entegre edildiğinde, bitkilerin farklı özelliklerini gerçek zamanlı olarak analiz etmek için kullanılabilir. YOLO11'in yüksek çözünürlüklü havadan çekilen görüntülerde yaprak uçları gibi küçük özellikleri tespit etme yeteneği, araştırmacıların ve çiftçilerin bitki gelişim aşamalarını geleneksel manuel yöntemlere göre daha hassas bir şekilde takip etmesine yardımcı olur.

Örneğin, Ultralytics YOLO11’in object detection desteği, görünen yaprak sayısını sayarak kuraklığa dayanıklı ve kuraklığa duyarlı çeltik bitkileri arasındaki farkları belirlemek için kullanılabilir. Yaprak sayısı gibi görsel ipuçları genellikle bitki biyokütlesi ve dayanıklılığı gibi daha derin özelliklerle ilişkilidir.

Ultralytics YOLO11 ile çiçek tespiti#

Çiçek tespiti ve sayımı, özellikle çiçek miktarının verim potansiyeliyle yakından ilişkili olduğu ürünler söz konusu olduğunda, plant phenotyping'in ilginç yönleridir. Özellikle Ultralytics YOLO11, çeşitli çiçek yapılarını tespit etmek için kullanılabilir. Çiçek tespiti sürecini otomatize ederek çiftçiler ve araştırmacılar tozlaşma zamanlaması, kaynak tahsisi ve genel ekin sağlığı ile ilgili daha hızlı ve veriye dayalı kararlar alabilirler.

YAPAY ZEKA ve Ultralytics YOLO11 ile bitki hastalığı tespiti#

Bitki hastalıklarını tespit etmek, monitoring crop health için çok önemli bir adımdır. YOLO11'in görüntü sınıflandırma yeteneklerini kullanarak, hastalığın erken belirtilerini belirlemek üzere ürün görüntüleri sınıflandırılabilir. YOLO11 ayrıca otomatik hastalık tespiti için dronlar, mobil uygulamalar veya saha robotları gibi cihazlara entegre edilebilir. Bu, çiftçilerin hastalıklı salgınlarına karşı zamanında harekete geçmesini sağlayarak verim kayıplarını azaltır ve pestisit kullanımını en aza indirir.

Örneğin, Ultralytics YOLO11, asma yaprak kıvrılması hastalığının belirtilerini gösterebilecek üzüm yapraklarının görüntülerini sınıflandırmak için custom-trained edilebilir. Model, sağlıklı yapraklar, hafif renk bozulması ve şiddetli belirtiler gibi farklı hastalık aşamalarını kapsayan etiketli örneklerden öğrenir. Renk değişiklikleri ve damar renk bozulması gibi belirgin görsel örüntüleri tanıyarak, YOLO11 üzüm çiftçilerinin enfeksiyonları erken tespit etmesine ve tedaviler konusunda daha bilinçli kararlar almasına yardımcı olur.

Fig 4. Asma yaprak kıvrılması hastalığının kendini nasıl gösterdiğine dair örnekler.

Bitki fenotiplemesi için Ultralytics YOLO11 kullanmanın avantajları#

İşte Ultralytics YOLO11 gibi computer vision modellerini geleneksel plant phenotyping yöntemlerine kıyasla kullanmanın bazı faydaları:

• Ölçeklenebilirlik ve maliyet etkinliği: Süreçleri Ultralytics YOLO11 ile otomatikleştirmek, manuel emek ihtiyacını azaltabilir ve bu da onu büyük ölçekli tarımsal operasyonlar için ölçeklenebilir ve maliyet etkin bir çözüm haline getirir.
• Gerçek zamanlı uyarılar: Ultralytics YOLO11 kullanılarak toplanan içgörülerin otomatik sistemlerle entegre edilmesi, olası sorunlar hakkında anlık bildirimler sunarak hızlı karar vermeyi destekler.
• Sürdürülebilir tarım uygulamaları: Manuel müdahaleleri ve kimyasal kullanımını azaltarak, bilgisayarlı görü daha çevre dostu ve sürdürülebilir tarıma katkıda bulunur.

Bitki fenotiplemede bilgisayarlı görünün zorlukları#

Bilgisayarlı görü, bitki fenotipleme söz konusu olduğunda birçok avantaj sunsa da, bu sistemleri uygulamanın sınırlamalarını akılda tutmak önemlidir. İşte birkaç temel endişe:

• Veri kümesi gereksinimleri: Modelleri eğitmek, toplanması zor ve zaman alıcı olabilen, özellikle nadir ürünler veya benzersiz koşullar için büyük, çeşitli ve iyi etiketlenmiş veri kümeleri gerektirir.
• Gizlilik endişeleri: Dronlar ve akıllı kameralar tarlalarda yaygınlaştıkça, verilerin kime ait olduğu, nasıl depolandığı ve uygun onay olmadan kullanılıp kullanılmadığı hakkında sorular ortaya çıkmaktadır.
• Çevresel koşullar: Değişen aydınlatma, hava durumu ve arka plan karmaşıklığı, öngörülemeyen tarımsal ortamlarda görsel analizin doğruluğunu etkileyebilir.

Yüksek verimli bitki fenotiplemeye doğru ilerleme#

Bitki fenotiplemenin geleceği, ürün sağlığı ve büyümesinin daha net bir resmini vermek için birlikte çalışan akıllı, birbirine bağlı sistemlere doğru ilerliyor. Heyecan verici bir trend, aynı anda birden fazla sensörün kullanılmasıdır. Çeşitli kaynaklardan gelen verileri birleştirerek, bir bitkiye ne olduğu hakkında çok daha zengin ve daha doğru bir anlayış elde edebiliriz.

Piyasa trendleri de gelişmiş bitki fenotipleme yöntemlerine yönelik artan bir ilgiye işaret ediyor. Küresel plant phenotyping market bu yıl (2025) yaklaşık 311,73 milyon dolar değerindedir ve 2030 yılına kadar 520,80 milyon dolara ulaşması beklenmektedir.

Fig 5. Bitki fenotiplemesi için piyasa değeri.

Öne çıkanlar#

Plant phenotyping'de computer vision, bitkilerin ölçümünü ve analizini otomatikleştirmeye yardımcı oluyor. Ultralytics YOLO11 gibi Vision AI modelleri manuel çalışmayı azaltabilir, daha iyi sonuçlar elde edebilir ve ekinleri büyük ölçekte izlemeyi kolaylaştırabilir. Geleneksel yöntemlerden akıllı, teknoloji odaklı sistemlere geçiş; iklim değişikliği, gıda kıtlığı ve sürdürülebilir tarım gibi küresel zorlukların ele alınmasında önemli bir adımdır.

İleriye dönük olarak, bilgisayarlı görüyü YZ, robotik ve akıllı sensörler gibi diğer teknolojilerle entegre etmek, tarımı daha da akıllı ve verimli hale getirecektir. YZ ilerledikçe, bitkileri sorunsuz bir şekilde izleyebileceğimiz, büyümelerine ince ayar yapabileceğimiz ve gerekli bakımı sağlayabileceğimiz bir geleceğe yaklaşıyoruz.

Yapay zeka inovasyonları hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub repository sayfamızı incele. Çözüm sayfalarımızda üretimde yapay zeka ve sağlıkta bilgisayarlı görü gibi alanlardaki en son gelişmeleri keşfet. Lisanslama seçeneklerimize göz at ve hemen bilgisayarlı görü ile başla!