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 fenotipleme, zaman alıcı ve emek yoğun olabilen manuel görsel gözlemleri içerir. Yapay zekanın (YZ) bir dalı olan bilgisayarlı görü, bitkileri inceleme şeklimizi yeniden keşfedebilir. Bitki fenotiplemede bilgisayarlı görü ile bitkileri görüntülerden veya videolardan otomatik olarak tespit edip analiz edebilir, hızı, tutarlılığı ve doğruluğu önemli ölçüde artırabiliriz.

Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, dronlar, yer robotları veya el cihazları tarafından yakalanan devasa görsel bitki verilerini işleyebilir. Çeşitli bilgisayarlı görü görevlerine verdiği destekle YOLO11, görüntüler ve videolardaki çeşitli bitki özelliklerini analiz etmek için kullanılabilir.

Bu makalede, geleneksel bitki fenotiplemedeki zorluklara daha yakından bakacak ve YOLO11 gibi bilgisayarlı görü modellerinin nasıl daha akıllı ve sürdürülebilir tarım uygulamalarını yönlendirdiğini keşfedeceğiz.

Link to this sectionBitki 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.

Bununla birlikte, modern fenotipleme veya yüksek verimli bitki fenotipleme; tutarlılığa, doğruluğa ve tahribatsız veri toplamaya odaklanır. Bitkiler, bitkileri fiziksel olarak rahatsız etmeden yüksek çözünürlüklü veriler yakalamak için RGB kameralar (standart renkli kameralar), hiperspektral sensörler (gözün gördüğünün ötesinde bile geniş bir renk bilgisi aralığını yakalayan cihazlar) ve LiDAR (Işık Algılama ve Uzaklık Belirleme) 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.

Link to this sectionGeleneksel 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.

Link to this sectionBitki 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.

Öncelikle görüntü edinme, kameralar ve dronlar gibi çeşitli sensörleri kullanarak görsel verilerin yakalanmasını içerir. Ardından, görüntü işleme, gürültü azaltma ve renk düzeltme gibi teknikleri kullanarak görüntülerin kalitesini ve netliğini artırır. Son olarak, görüntü analizi, nesne tespiti ve örnek bölümleme gibi farklı bilgisayarlı görü görevlerini kullanarak işlenmiş görüntülerden anlamlı bilgiler çıkarır. YOLO11 gibi modeller bu görüntü analizi için kullanılabilir ve bu tür görevleri destekler.

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

Link to this sectionYüksek 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 görüntüleme: Standart RGB kameralar, bitkilerin görüntülerini yakalamak için yaygın olarak kullanılır. RGB görüntüleme, fenotipik analiz için merkezidir ve genellikle daha karmaşık değerlendirmelerde ilk adım olarak görev yapar.
• 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.
• 3B görüntüleme: Derinlik kameraları ve LiDAR teknolojisi, bitkilerin üç boyutlu modellerini oluşturur. 3B görüntüleme, karmaşık bitki yapılarını analiz etmek ve varyasyonların büyümeyi ve üretkenliği nasıl etkilediğini anlamak için kritiktir.

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

Link to this sectionUltralytics YOLO11'in bitki fenotiplemedeki uygulamaları#

Bilgisayarlı görü modelleri, çok çeşitli görevlerde yavaş yavaş bitki fenotiplemede kullanılmaktadır. Yaprak sayımından ayrıntılı morfolojik analize kadar, bu teknolojiler bitki sağlığını anlama ve yönetme şeklimizi dönüştürüyor. YOLO11 gibi modellerin bitki fenotiplemeye yardımcı olabileceği bazı gerçek dünya uygulamalarına göz atalım.

Link to this sectionYOLO11 kullanarak yaprak sayımı ve kuraklık tahmini#

YOLO11 gibi görü modelleri, İHA'larla (insansız hava araçları) entegre edildiğinde, bitkilerin farklı özelliklerini gerçek zamanlı olarak analiz etmek için kullanılabilirler. YOLO11'in yüksek çözünürlüklü hava görüntülerindeki yaprak uçları gibi küçük özellikleri tespit etme yeteneği, araştırmacıların ve çiftçilerin bitki gelişimi aşamalarını geleneksel manuel yöntemlerden daha hassas bir şekilde takip etmelerine yardımcı olur.

Örneğin, YOLO11'in nesne tespiti desteği, görünen yaprak sayısını sayarak kuraklığa dayanıklı ve kuraklığa duyarlı pirinç bitkileri arasındaki farkları belirlemek için kullanılabilir. Yaprak sayısı gibi görsel ipuçları genellikle bitki biyokütlesi ve dayanıklılığı gibi daha derin özelliklerle ilişkilidir.

Link to this sectionYOLO11 ile çiçek tespiti#

Çiçek tespiti ve sayımı, özellikle çiçek miktarının verim potansiyeli ile yakından ilişkili olduğu ürünlerde bitki fenotiplemenin ilginç yönleridir. Özellikle YOLO11, çeşitli çiçek yapılarını tespit etmek için kullanılabilir. Çiçek tespiti sürecini otomatikleştirerek, çiftçiler ve araştırmacılar tozlaşma zamanlaması, kaynak tahsisi ve genel ürün sağlığı ile ilgili daha hızlı, veriye dayalı kararlar alabilirler.

Link to this sectionYZ ve YOLO11 ile bitki hastalığı tespiti#

Bitki hastalıklarını tespit etmek, ürün sağlığını izlemenin önemli bir parçasıdır. YOLO11'in görüntü sınıflandırma yeteneklerini kullanarak, hastalık belirtilerini erkenden tanımlamak için ürün görüntüleri sınıflandırılabilir. YOLO11 ayrıca otomatik hastalık tespiti için dronlar, mobil uygulamalar veya saha robotları gibi cihazlara entegre edilebilir. Bu, çiftçilerin hastalık salgınlarına karşı zamanında harekete geçmesini sağlayarak verim kaybını azaltır ve pestisit kullanımını en aza indirir.

Örneğin, YOLO11, asma yaprağı kıvırcıklığı hastalığı belirtileri gösterebilecek üzüm yaprağı görüntülerini sınıflandırmak için özel olarak eğitilebilir. Model, sağlıklı yapraklar, hafif renk değişimi ve ciddi semptomlar gibi farklı hastalık aşamalarını kapsayan etiketli örneklerden öğrenir. Renk değişimleri ve damar renk bozulması gibi belirgin görsel modelleri tanıyarak, YOLO11 üzüm çiftçilerinin enfeksiyonları erkenden tespit etmesine ve tedaviler konusunda daha bilinçli kararlar almasına yardımcı olur.

Şekil 4. Asma yaprağı kıvırcıklığı hastalığının nasıl ortaya çıktığına dair örnekler.

Link to this sectionBitki fenotipleme için YOLO11 kullanmanın avantajları#

YOLO11 gibi bilgisayarlı görü modellerini geleneksel bitki fenotipleme yöntemleriyle karşılaştırmalı olarak kullanmanın bazı faydaları şunlardır:

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

Link to this sectionBitki 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.

Link to this sectionYüksek 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 ilgi olduğunu gösteriyor. Küresel bitki fenotipleme pazarı bu yıl (2025) yaklaşık 311,73 milyon dolar değerinde ve 2030 yılına kadar 520,80 milyon dolara ulaşması bekleniyor.

Şekil 5. Bitki fenotipleme için pazar değeri.

Link to this sectionÖne çıkanlar#

Bitki fenotiplemede bilgisayarlı görü, bitkilerin ölçümünü ve analizini otomatikleştirmeye yardımcı oluyor. YOLO11 gibi görü YZ modelleri manuel işleri azaltabilir, daha iyi sonuçlar elde edebilir ve ürünleri büyük 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.

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.

Topluluğumuza katıl ve YZ inovasyonları hakkında daha fazla bilgi edinmek için GitHub depomuzu keşfet. Çözüm sayfalarımızda üretimde YZ ve sağlık hizmetlerinde bilgisayarlı görü gibi alanlardaki en son gelişmeleri keşfet. Lisanslama seçeneklerimize göz at ve bilgisayarlı görü ile çalışmaya bugün başla!