Kənd təsərrüfatı zərərvericiləri məhsul itkilərinin ən vacib səbəblərindən biridir. Ənənəvi üsullarda fermerlər və ya mütəxəssislər tarlanı gəzərək yarpaqları, tələləri və bitki üzərindəki zərərverici əlamətlərini yoxlayırlar. Bu üsul hələ də dəyərli olsa da, vaxt aparır, geniş sahələrdə çətinləşir və erkən xəbərdarlıq təmin etməkdə kifayət etməyə bilər.

Bu preprint tədqiqat məhsul zərərvericilərini daha sürətli aşkarlamaq üçün RGB kamera görüntülərini proqram vasitəsilə yaradılan pseudo-thermal görüntülərlə birləşdirən süni intellekt sistemi təklif edir. Sistem real termal kamera istifadə etmədən RGB görüntüdən termalabənzər təsvir yaradır. Daha sonra bu birləşdirilmiş görüntülər YOLOv12 obyekt aşkarlama modeli ilə emal olunur.

Tədqiqatda ağ milçək, böcək və güvə siniflərini əhatə edən 7.774 etiketlənmiş görüntüdən istifadə olunub. Model zərərvericinin növünü, görüntüdəki yerini, sayını və etibar balını çıxarmağa çalışır. Nəticələrdə %87,1 mAP, %88,3 precision və %80,7 recall dəyərləri bildirilir. Bu göstəricilər üsulun klassik RGB əsaslı modellərlə müqayisədə daha güclü ola biləcəyini düşündürür.

Lakin tədqiqat preprint olduğu üçün ehtiyatla oxunmalıdır. Bundan əlavə, pseudo-thermal görüntü real termal məlumat deyil; yalnız RGB görüntüdən törədilmiş termalabənzər təsvir formasıdır. Duman, yağış, zəif işıq, örtülmə, yarpaq damarları və su damcıları kimi hallarda xətalar yarana bilər.

Problem Nədir?

Kənd təsərrüfatında zərərvericilərin erkən aşkarlanması məhsuldarlıq itkilərini azaltmaq üçün kritik əhəmiyyət daşıyır. Zərərverici sıxlığı erkən müəyyən edilərsə, mübarizə daha hədəfli və nəzarətli aparıla bilər. Əks halda zərər böyüyür, məhsul itkisi artır və çox vaxt daha çox kimyəvi müdaxilə lazım olur.

Lakin tarlada zərərverici aşkarlamaq praktikada çətindir. Zərərvericilər kiçik ola, yarpağın rənginə qarışa, kölgədə qala və ya yarpaqların altında gizlənə bilər. Xüsusilə ağ milçək kimi kiçik zərərvericilər mürəkkəb fonlarda asanlıqla gözdən qaça bilər. Əl ilə yoxlama isə geniş sahələrdə yavaş, yorucu və şəxsdən asılıdır.

Son illərdə RGB kamera görüntüləri ilə süni intellekt əsaslı zərərverici aşkarlama sistemləri hazırlanır. Lakin yalnız RGB görüntüyə əsaslanan sistemlər zəif işıq, kölgə, mürəkkəb fon, örtülmə və zərərvericinin bitki səthi ilə oxşar rəngdə olması kimi hallarda performans itirə bilər.

Termal görüntüləmə bəzi şəraitdə obyektləri daha nəzərəçarpan edə bilər. Lakin real termal kameralar bahalıdır və kiçik-orta ölçülü fermerlər üçün geniş tətbiqi çətin ola bilər. Bundan əlavə, termal sensorlar, IoT infrastrukturu və sahə quraşdırılması xərci artırır.

Bu məqalənin əsas sualı budur: Real termal kamera istifadə etmədən, yalnız RGB görüntüdən yaradılan termalabənzər xüsusiyyətlərlə zərərverici aşkarlanmasını daha ucuz və daha güclü etmək mümkündürmü?

Metod Nə Təklif Edir?

Tədqiqat RGB–pseudo-thermal görüntü füzyonuna əsaslanan zərərverici aşkarlama sistemi təklif edir.

Birinci addımda standart RGB yarpaq və ya məhsul görüntüsü alınır. Bu görüntü klassik kamera, telefon kamerası və ya sahə kamerası kimi əlçatan avadanlıqdan gələ bilər. Sonra eyni görüntü boz rəng çalarlarına çevrilir və termal xəritəyə bənzəyən rəngləmə tətbiq olunur. Bu əməliyyat real temperatur ölçmür; yalnız görüntü intensivliklərini termalabənzər rəng fəzasına çevirir.

İkinci addımda RGB görüntü ilə pseudo-thermal görüntü birləşdirilir. Məqsəd RGB-nin tekstura və rəng məlumatını pseudo-thermal təsvirin kontrastı artıran təsiri ilə birlikdə istifadə etməkdir. Beləliklə modelin kiçik, kamuflyaj olmuş və ya qismən örtülmüş zərərvericiləri daha yaxşı tutması hədəflənir.

Üçüncü addımda YOLOv12 obyekt aşkarlama arxitekturasından istifadə olunur. YOLO ailəsi görüntüdəki obyektləri bir keçiddə tapmağa çalışan sürətli obyekt aşkarlama modelləri ilə tanınır. Bu tədqiqatda model zərərvericinin sinfini, görüntüdəki məkan qutusunu, etibar balını və zərərverici sayını çıxarmaq üçün öyrədilir.

Dördüncü addımda sistem istifadəçi interfeysinə qoşulur. Məqalədə Streamlit əsaslı interfeysin hazırlandığı bildirilir. Bu interfeys görüntü yükləmə, canlı kamera girişi, aşkarlama nəticəsini göstərmə, zərərverici sayma, xəbərdarlıq yaratma və JSON hesabatı hazırlama kimi praktik funksiyalar təqdim edir.

Bu yanaşmanın əsas iddiası bahalı termal avadanlıq olmadan daha zəngin görüntü təsviri əldə etmək və zərərverici aşkarlanmasını real vaxt rejimində, aşağı xərclə və sahə istifadəsinə daha yaxın hala gətirməkdir.

Formullar Nəyi İzah Edir?

Məqalədəki formullar görüntünün necə çevrildiyini və modelin necə qərar verdiyini sadə şəkildə izah edir.

Birinci vacib formul RGB görüntünün boz rəng çalarlarına çevrilməsidir. Bu əməliyyatda qırmızı, yaşıl və mavi kanallar fərqli çəkilərlə birləşdirilir. İnsan gözünün yaşıl kanala daha həssas olması səbəbindən yaşıl kanal daha yüksək çəki alır. Beləliklə hər piksel üçün tək parlaqlıq dəyəri əldə olunur.

Sonra bu boz rəngli görüntü termalabənzər rəng xəritəsinə çevrilir. Məqalədə OpenCV-nin COLORMAP_INFERNO yanaşmasından bəhs edilir. Bu əməliyyat real temperatur məlumatı yaratmır; lakin tünd-açıq sahələri termal görüntüyə bənzər rənglərlə göstərərək bəzi kontrast fərqlərini daha görünən edə bilər.

Digər formul RGB və pseudo-thermal görüntülərin qarışdırılmasını izah edir. Tədqiqatda iki görüntünün yarı-yarı çəkiləndirildiyi füzyon yanaşması istifadə olunur. Beləliklə həm real rəng/tekstura məlumatı, həm də termalabənzər kontrast məlumatı model girişinə daşınır.

YOLO tərəfində istifadə olunan itki funksiyası modelin üç şeyi eyni anda öyrənməsini təmin edir: obyektin yerini düzgün qutulamaq, obyektin olub-olmadığını anlamaq və doğru sinfi seçmək. Qutu itkisi məkan xətasını, obyekt itkisi zərərvericinin mövcudluğuna dair etibarı, sinif itkisi isə ağ milçək, böcək və ya güvə kimi sinif proqnozunu təmsil edir.

Bounding box formulları modelin verdiyi mərkəz koordinatı və qutu en-hündürlük dəyərlərindən sol yuxarı və sağ aşağı künc koordinatlarının necə hesablandığını göstərir. Beləliklə zərərverici görüntü üzərində qırmızı qutu ilə işarələnə bilər.

Qrafik / Cədvəl / Sxemin Əsas Mesajı

Məqalədəki sistem arxitekturası sxemi RGB görüntünün pseudo-thermal görüntü ilə birləşdirildiyini və sonra YOLOv12 modelinə verildiyini göstərir. Sxemin əsas mesajı budur: Sistem tək görüntüdən iki fərqli təsvir yaradıb onları birləşdirərək zərərverici aşkarlanmasını gücləndirməyə çalışır.

Nümunə məlumat görüntüləri AgriPest-7774 verilənlər dəstində ağ milçək, böcək və güvə nümunələrinin etiketləndiyini göstərir. Bu vizualların əsas mesajı modelin laboratoriya rəsmləri və ya tamamilə süni görüntülərlə deyil, tarla şəraitindən gələn real görüntülərlə öyrədilməsidir.

Məlumat paylanması cədvəli ağ milçək sinfinin verilənlər dəstində ən böyük paya sahib olduğunu göstərir. Ağ milçək 3.200 görüntü ilə verilənlər dəstinin təxminən %41-ni təşkil edir, böcək və güvə sinifləri isə daha az təmsil olunur. Bu vəziyyət modelin ağ milçək üzrə daha çox nümunə görməsinə, daha az təmsil olunan siniflərdə isə ümumiləşdirmə riskinin artmasına səbəb ola bilər.

Model performansı cədvəli təklif olunan üsulun əl ilə yoxlama, RGB + dərin öyrənmə, termal + IoT, Faster R-CNN, VGG16 və ResNet50 kimi yanaşmalarla müqayisə edildiyini göstərir. Təklif olunan YOLOv12 RGB–pseudo-thermal yanaşması %87,1 mAP ilə ən yüksək performansı bildirir. Lakin bu müqayisənin necə standartlaşdırıldığı, verilənlər dəstləri və təlim şəraiti baxımından diqqətlə araşdırılmalıdır.

Zərərvericilərin yaratdığı məhsul itkisi qrafiki düyü, buğda və qarğıdalıda zərərvericilərin ciddi itki yarada biləcəyini vizuallaşdırır. Əsas mesaj budur ki, zərərverici aşkarlanması yalnız texniki kompüter görməsi problemi deyil, həm də qida təhlükəsizliyi və məhsuldarlıq itkisi baxımından vacibdir.

Təlim itkisi qrafikləri modelin 100 epoch boyunca öyrənmə prosesində qutu, sinif və obyekt itkilərinin azaldığını göstərir. Bu, modelin təlim məlumatlarında zərərvericilərin yerlərini və siniflərini öyrənə bildiyini düşündürür.

mAP irəliləyiş qrafiki modelin təlim boyunca orta dəqiqliyinin artdığını və sonda %87,1 ətrafında sabitləşdiyini göstərir. Bu, modelin təlim prosesində müəyyən performans səviyyəsinə çatdığını göstərir.

Pseudo-thermal aşkarlama görüntüsü ağ milçəyin termalabənzər görünüşdə işarələndiyini və etibar balı ilə göstərildiyini izah edir. Bu vizualın əsas mesajı sistemin yalnız sinif proqnozu etməməsi, eyni zamanda zərərvericinin görüntüdəki yerini də qutu ilə göstərməsidir.

Xəta təhlili görüntüləri isə tədqiqatın ən vacib hissələrindən biridir. Yarpaq damarları, su damcıları və ya fon teksturaları bəzən zərərverici kimi qəbul edilə bilər. Qismən örtülmüş zərərvericilər gözdən qaça bilər. Bu, sistemin praktikada hələ də diqqətli doğrulama tələb etdiyini göstərir.

Təcrübələr Necə Aparılıb?

Tədqiqatda 7.774 etiketlənmiş kənd təsərrüfatı zərərvericisi görüntüsündən ibarət verilənlər dəsti istifadə olunub. Görüntülər real tarla şəraitindən toplanıb və ağ milçək, böcək və güvə olmaqla üç əsas zərərverici sinfinə bölünüb. Görüntülər Roboflow aləti ilə qutu və sinif etiketi daxil ediləcək şəkildə işarələnib.

Verilənlər dəsti təlim və doğrulama hissələrinə bölünüb. Görüntülər YOLOv12 girişinə uyğun olaraq 640 × 640 piksel ölçüsünə gətirilib. Təlimdə COCO üzərində əvvəlcədən öyrədilmiş çəkilərdən istifadə olunduğu bildirilir. Bu, modelin ümumi obyekt xüsusiyyətlərini əvvəlcədən öyrəndiyi başlanğıc nöqtədən kənd təsərrüfatı zərərvericilərinin aşkarlanmasına uyğunlaşdırılması deməkdir.

RGB görüntülərdən pseudo-thermal görüntülər yaradılıb. Bunun üçün görüntü əvvəlcə boz rəng çalarlarına çevrilib, sonra termalabənzər rəng xəritəsi tətbiq olunub. Ardınca RGB və pseudo-thermal təsvirlər birləşdirilərək model girişinə verilib.

Model 100 epoch boyunca öyrədilib. Təlim prosesində qutu itkisi, sinif itkisi və obyekt itkisinin azaldığı bildirilib. Bu itkilərin azalması modelin zərərvericiləri daha düzgün yerləşdirməyi və təsnif etməyi öyrəndiyini göstərir.

Performans mAP, precision və recall dəyərləri ilə qiymətləndirilib. mAP modelin müxtəlif etibar hədləri və məkan dəqiqliyi səviyyələrində nə qədər uğurlu aşkarlama apardığını göstərir. Precision modelin “zərərverici var” dediyi halların nə qədərinin doğru olduğunu, recall isə real zərərvericilərin nə qədərini tuta bildiyini ifadə edir.

Sistem həmçinin Streamlit əsaslı interfeyslə sınaqdan keçirilib. Bu interfeysdə görüntü yükləmə, aşkarlama nəticəsini görmə, qırmızı qutularla zərərvericinin yerini işarələmə, etibar balını göstərmə, JSON hesabatını endirmə və səsli/vizual xəbərdarlıq yaratma funksiyaları mövcuddur.

Nəticələr Nəyi Göstərir?

Tədqiqatda təklif olunan YOLOv12 RGB–pseudo-thermal sistemi %87,1 mAP, %88,3 precision və %80,7 recall dəyərlərinə çatıb. Bu nəticələr sistemin verilənlər dəstindəki zərərvericiləri aşkarlamaqda güclü performans göstərdiyini göstərir.

Siniflər üzrə ağ milçək, böcək və güvə üçün mAP dəyərləri bir-birinə yaxın bildirilir. Bu, modelin yalnız bir sinfə həddindən artıq fokuslanmadığını düşündürsə də, verilənlər dəstində ağ milçək daha dominant olduğuna görə az təmsil olunan növlərdə daha çox doğrulama tələb olunur.

Müqayisə cədvəllərində təklif olunan sistemin RGB əsaslı dərin öyrənmə yanaşmalarından, VGG16, ResNet50 və Faster R-CNN kimi modellərdən daha yüksək performans verdiyi bildirilir. Bundan əlavə, real termal sensor və ya IoT sistemi istifadə etmədən aşağı xərcli və real vaxtda işləyə bilən həll kimi təqdim olunur.

Pseudo-thermal füzyonun xüsusilə kiçik və kamuflyaj olmuş zərərvericiləri daha görünən etməkdə kömək etdiyi iddia olunur. Lakin bu məqam ehtiyatla şərh edilməlidir; çünki pseudo-thermal real temperatur məlumatı deyil. RGB görüntünün çevrilmiş formasıdır. Buna görə real termal sensorun təmin etdiyi fiziki temperatur məlumatı ilə eyni deyil.

Xəta təhlili sistemin hələ də bəzi şəraitdə çətinlik çəkdiyini göstərir. Yarpaq damarları, torpaq teksturası və ya su damcıları bəzən zərərverici kimi qəbul edilə bilər. Qismən yarpaq altında qalan və ya görüntüdə kiçik görünən zərərvericilər gözdən qaça bilər. Yağış, duman, toz və zəif işıq kimi şərait sistemin etibar balını azalda bilər.

Bu Niyə Vacibdir?

Kənd təsərrüfatında zərərvericilərin erkən aşkarlanması həm məhsuldarlıq itkisini azaltmaq, həm də lazımsız kimyəvi istifadənin qarşısını almaq baxımından vacibdir. Zərərverici sıxlığı erkən və düzgün müəyyən edilərsə, müdaxilə daha hədəfli aparıla bilər. Bu da həm istehsalçının xərclərini, həm də ekoloji yükü azalda bilər.

Bu tədqiqat bahalı termal kameralar olmadan daha zəngin görüntü təsviri yaratmaq fikrini sınaqdan keçirir. Əgər bu yanaşma fərqli məhsullarda, fərqli zərərvericilərdə və real sahə şəraitində güclü şəkildə doğrulanarsa, aşağı xərcli erkən xəbərdarlıq sistemləri üçün praktik yol aça bilər.

Xüsusilə kiçik fermerlər və ya orta ölçülü təsərrüfatlar üçün bahalı IoT infrastrukturu və termal kameralar əlçatan olmaya bilər. RGB kamera əsaslı, proqram dəstəkli və real vaxtda işləyə bilən sistemlər bu baxımdan daha tətbiqolunan görünə bilər.

Bundan əlavə, Streamlit kimi sadə interfeyslə nəticələrin istifadəçiyə göstərilməsi akademik modellə sahə istifadəsi arasındakı boşluğu azaldır. Fermer və ya texniki əməkdaş yalnız model çıxışını deyil, zərərvericinin növünü, yerini, etibar balını, sayını və xəbərdarlığı görə bilər.

Diqqət Edilməli Məqamlar

Bu məqalə preprintdir; rəyçi qiymətləndirməsindən keçməyib. Buna görə nəticələr yekunlaşmış kənd təsərrüfatı qərar sistemi kimi təqdim edilməməlidir.

Pseudo-thermal görüntü real termal görüntü deyil. Real termal kamera obyektlərin temperatur fərqlərini ölçür. Bu tədqiqatdakı pseudo-thermal yanaşma isə RGB görüntünün parlaqlıq və rəng məlumatından termalabənzər vizual yaradır. Buna görə fiziki temperatur məlumatını tam əvəz etmir.

Verilənlər dəstində ağ milçək sinfi daha dominantdır. Bu vəziyyət modelin bəzi siniflərdə daha yaxşı, daha az təmsil olunan siniflərdə isə daha zəif ümumiləşdirmə aparmasına səbəb ola bilər. Daha balanslı, çoxbölgəli, çoxmövsümlü və daha çox zərərverici növünü əhatə edən verilənlər dəstlərinə ehtiyac var.

Sahə şəraiti çox dəyişkəndir. Yağış, duman, toz, külək, hərəkət bulanıqlığı, aşağı kamera ayırdetməsi, yanlış bucaq, yarpaqların üst-üstə düşməsi və kölgələr model performansına təsir edə bilər.

Model yanlış müsbət və yanlış mənfi nəticələr yarada bilər. Yanlış müsbət halda sistem zərərverici olmayan teksturanı zərərverici kimi işarələyə bilər. Yanlış mənfi halda isə real zərərvericini gözdən qaçıra bilər. Buna görə belə sistemlər birbaşa avtomatik pestisid tətbiqi qərarı vermək əvəzinə, mütəxəssis nəzarətini dəstəkləyən erkən xəbərdarlıq aləti kimi nəzərdən keçirilməlidir.

Müqayisə edilən üsulların hamısının eyni verilənlər dəsti və eyni təcrübə şəraitində qiymətləndirilib-qiymətləndirilmədiyi nəticələrin etibarlı şərhi baxımından vacibdir. Məqalədəki performans müqayisələri ümidverici olsa da, müstəqil verilənlər dəstlərində təkrarlanmalıdır.

Nəticə

Bu tədqiqat kənd təsərrüfatı zərərvericilərinin görüntü əsaslı aşkarlanmasında aşağı xərcli və real vaxt rejimli yanaşma təqdim edir. RGB görüntülərdən pseudo-thermal təsvirlərin yaradılması real termal kamera istifadə etmədən modelə əlavə vizual kontrast vermək fikrinə əsaslanır. YOLOv12 ilə birləşdirildikdə sistem ağ milçək, böcək və güvə kimi zərərvericiləri yüksək dəqiqliklə aşkarlaya bildiyini bildirir.

Ən diqqətçəkən tərəfi sistemin yalnız akademik model kimi qalmaması, Streamlit interfeysi ilə görüntü yükləmə, canlı analiz, xəbərdarlıq yaratma və hesabat hazırlama kimi praktik funksiyalara yönəlməsidir. Bu, dəqiq kənd təsərrüfatında süni intellektin sahəyə yaxınlaşması baxımından vacib addımdır.

Lakin təhlükəsiz şərh belə olmalıdır: Bu sistem zərərverici aşkarlanmasında güclü namizəddir; lakin real termal görüntünü tam əvəz etmir və birbaşa avtomatik pestisid tətbiqi qərarı üçün təkbaşına kifayət hesab edilməməlidir. Daha çox məhsul, daha çox zərərverici növü, fərqli iqlimlər, fərqli kamera şəraiti və çoxmövsümlü müstəqil testlərlə doğrulanması lazımdır.

Mənbə və Metod Qeydi

Bu yazı “Multimodal Fusion Framework for Automated Crop Infestation Detection” adlı preprint məqalə əsasında hazırlanıb. Tədqiqat RGB görüntülərdən proqram vasitəsilə yaradılan pseudo-thermal təsvirləri YOLOv12 obyekt aşkarlama arxitekturası ilə birləşdirərək kənd təsərrüfatı zərərvericilərini real vaxtda aşkarlamağı hədəfləyir. Verilənlər dəsti 7.774 etiketlənmiş görüntüdən ibarətdir və ağ milçək, böcək və güvə siniflərini əhatə edir.

Mətn sözbəsöz tərcümə deyil. Məqalədəki əsas fikir, metod, formullar, qrafiklər, təcrübə axını, nəticələr və məhdudiyyətlər Verianla oxucusu üçün sadələşdirilərək orijinal türkcə redaksiya məzmunu şəklində yenidən izah edilib. Tədqiqat preprint olduğu üçün tapıntılar qəti kənd təsərrüfatı tətbiqi tövsiyəsi deyil, daha çox sahə doğrulaması tələb edən tədqiqat nəticələri kimi qiymətləndirilməlidir.