Yapay zekâ tabanlı bitki sağlığı tespiti, görüntü, spektral ölçüm, çevresel sensör veya benzeri tarımsal verilerdeki örüntüleri öğrenerek hastalık ve zararlıların otomatik biçimde taranmasını, sınıflandırılmasını, konumlandırılmasını veya gelişiminin tahmin edilmesini sağlayan bir karar-destek yaklaşımıdır. Bu derleme, zararlı ve bitki hastalığı tespitinde kullanılan yapay zekâ yöntemlerini algılama modalitesi, öğrenme paradigması, gözlem ölçeği ve hastalığın gelişim aşamasına göre yapılandırmaktadır. Zararlı izleme; tuzak/popülasyon düzeyi, bitki-merkezli doğrudan tespit ve saha/hava platformu ölçeklerinde ele alınırken hastalık tespiti, görünür belirtilerin oluşmasından sonraki RGB tabanlı tanı ile multispektral ve hiperspektral görüntülemeye dayalı pre-semptomatik tespit olarak ayrılmaktadır. Derlemenin temel yorumu, yapay zekânın hızlı ve ölçeklenebilir tarama sağlayabileceği; ancak veri azlığı, domain shift, saha koşullarında genelleme, biyotik–abiyotik stres ayrımı ve korelasyon–nedensellik problemi nedeniyle PCR, ELISA ve agronomik uzmanlık gibi doğrulayıcı yöntemlerin yerine geçen bağımsız bir tanı sistemi olarak görülmemesi gerektiğidir.

Kaynakta incelenen çalışmalar RGB, multispektral, hiperspektral, termal ve floresans görüntülemeyi; IoT sensörlerini, UAV'leri, robotik sistemleri ve çeşitli bilgisayarlı görü mimarilerini kullanmaktadır. Klasik makine öğrenmesi yöntemleri önceden çıkarılmış spektral indeks veya doku özellikleriyle çalışabilirken CNN ve Vision Transformer gibi derin öğrenme mimarileri ham görüntülerden veya spektral veri küplerinden özellikleri uçtan uca öğrenebilir. Nesne tespitinde YOLO, R-CNN ve SSD aileleri; segmentasyonda U-Net, DeepLab, Mask R-CNN ve Mask2Former gibi mimariler öne çıkmaktadır. Bununla birlikte model mimarisinin adı tek başına saha başarısını belirlemez; veri setinin ürün, bölge, hastalık evresi, sensör, aydınlatma ve çevre koşullarını ne kadar temsil ettiği kritik önemdedir.

Derleme özellikle hastalığın görünür belirti oluşturmasından önce gerçekleşen fizyolojik değişimlerin spektral sensörlerle algılanmasına önem verir. Red-edge, NIR ve SWIR bölgelerindeki değişimler klorofil, hücresel yapı ve yaprak su durumu gibi fizyolojik süreçlere duyarlı olabilir. Ancak kuraklık, besin eksikliği ve diğer abiyotik stresler de benzer spektral imzalar üretebildiğinden, AI tarafından saptanan bir spektral anomali belirli bir patojenin varlığının doğrudan biyolojik kanıtı değildir. Bu nedenle kaynak, geniş alanlı AI taramasının hedefli moleküler doğrulamayla birleştirilmesini en güvenilir yaklaşım olarak konumlandırmaktadır.

Bitki sağlığı tespiti neden zor bir problem?

Bitki sağlığı yalnız bitkinin hastalık taşımaması anlamına gelmez. Zararlılar, mantarlar, bakteriler, virüsler ve nematodlar gibi biyotik etmenlerin yanı sıra kuraklık, sıcaklık, tuzluluk, besin eksikliği veya toksisitesi gibi abiyotik stresler de bitkinin fizyolojik işlevini ve üretkenliğini bozabilir.

Bu farklı etmenlerin oluşturduğu belirtiler çoğu zaman birbirine benzer. Sararma viral enfeksiyonun sonucu olabileceği gibi azot eksikliği veya su baskınından da kaynaklanabilir. Solma vasküler bir patojenin göstergesi olabileceği gibi kuraklık veya sıcaklık stresinde de ortaya çıkabilir. Nekrotik lezyonlar mantar ve bakteriler kadar tuzluluk, don veya kimyasal hasarla da oluşabilir.

Bu nedenle güvenilir bir AI sistemi yalnız “yaprakta sarı bölge var mı?” sorusuna yanıt vermemelidir. Belirtinin mekânsal dağılımı, lezyon sınırı, dokusu, bitkinin hangi bölümünde oluştuğu, spektral yanıt, toprak nemi, sıcaklık ve hastalığın zaman içindeki gelişimi gibi bağlamsal değişkenleri de değerlendirmek gerekir.

Yapay Zekâ Bitki Hastalığı ve Zararlı Tespitinde Hangi Veri Türlerini Kullanır?

Kaynakta incelenen AI sistemleri görünür RGB görüntülerden multispektral ve hiperspektral veri küplerine, termal ve floresans görüntülerden toprak nemi, sıcaklık ve bağıl nem gibi IoT sensör verilerine kadar farklı modaliteleri kullanır; sensör seçimi ise görünür semptom tespiti, erken fizyolojik değişim algılama veya geniş alanlı saha gözetimi gibi hedefe göre değişir.

RGB görüntüleme

RGB görüntüleme kırmızı, yeşil ve mavi görünür bantları kullanır ve insan gözünün algısına yakın görsel bilgi sağlar. Düşük maliyetli olması ve smartphone, kamera, drone ve robotik platformlara kolayca entegre edilebilmesi temel avantajıdır.

RGB'nin temel sınırlılığı, çoğu durumda yalnız görünür fenotipik değişimleri yakalayabilmesidir. Hastalık fizyolojik olarak başlamış ancak renk, doku veya morfolojide görünür belirti oluşturmamışsa yalnız RGB kullanan bir modelin gerekli sinyali görmesi mümkün olmayabilir.

Multispektral görüntüleme

Multispektral sistemler genellikle RGB yanında red-edge ve near-infrared gibi seçilmiş birkaç spektral bant kullanır. Kaynak multispektral sistemlerin tipik olarak yaklaşık 3–13 bantla çalışabildiğini belirtmektedir.

Seçilmiş görünür dışı bantlar, klorofil değişimi, hücre yapısı veya bitki-su ilişkisine duyarlı olduğundan görünür belirtilerden daha erken fizyolojik değişimleri yakalama potansiyeli taşır.

Hiperspektral görüntüleme

Hiperspektral görüntüleme onlarca veya yüzlerce dar spektral bant üretir. Kaynak yaklaşık 400–2500 nm aralığına yayılan hiperspektral ölçümlerin, insan gözünün ayırt edemediği ince biyokimyasal değişimleri ortaya çıkarabileceğini tartışmaktadır.

Bu zenginlik aynı zamanda maliyet, veri hacmi ve hesaplama problemi yaratır. Çok sayıda bant, düşük örnek-sayısı / yüksek özellik-sayısı problemi nedeniyle modelin aşırı uyum riskini yükseltebilir ve gerçek zamanlı edge kullanımını zorlaştırabilir.

Termal görüntüleme

Termal sensörler yaprak sıcaklığındaki değişimleri izler. Stoma kapanması ve transpirasyonun değişmesi gibi fizyolojik süreçler sıcaklık desenini etkileyebildiğinden görünür belirtiler oluşmadan önce stres bilgisi sağlayabilir.

Floresans görüntüleme

Klorofil floresansı fotosentetik sistemin durumuna ilişkin bilgi taşır. Derlemenin aktardığı literatürde Fv/Fm ve qP gibi fotosistem II ile ilişkili değişkenlerin bazı stres koşullarında erken fizyolojik tepki göstergesi olabildiği belirtilmektedir.

IoT ve çevresel sensörler

Toprak nemi, hava sıcaklığı, bağıl nem ve diğer çevresel gözlemler tek başına patojen tespiti değildir. Bunun yerine görüntü veya spektral anomalinin hangi çevresel koşulda oluştuğunu açıklayan bağlamsal veri sağlar. Böylece örneğin su stresiyle hastalık kaynaklı bir spektral değişimin ayrıştırılması daha mümkün hale gelebilir.

AI, makine öğrenmesi ve derin öğrenme arasındaki ilişki

Artificial Intelligence (AI), akıllı davranış gösterebilen sistemlerin geliştirilmesini kapsayan geniş araştırma alanıdır. Machine Learning (ML), AI'ın veri örüntülerinden öğrenmeye odaklanan alt alanıdır. Deep Learning (DL) ise çok katmanlı sinir ağları kullanarak temsilleri otomatik öğrenen ML alt alanıdır.

Klasik ML uygulamalarında araştırmacı önce spektral indeks, renk istatistiği veya doku tanımlayıcısı gibi özellikler çıkarabilir ve ardından Support Vector Machine, Decision Tree veya Random Forest gibi algoritmaları kullanabilir.

DL'de CNN veya Vision Transformer gibi mimariler ham piksel, hiperspektral veri küpü veya zaman serisinden özellikleri doğrudan öğrenebilir. Bunun avantajı özellik mühendisliğinin bir bölümünü otomatikleştirmesidir; dezavantajı ise genellikle çok daha fazla etiketli veri ve hesaplama kaynağı gerektirmesidir.

Bilgisayarlı görü görevleri birbirinden nasıl ayrılır?

Başlıca model aileleri

Derleme nesne tespitinde R-CNN, YOLO ve SSD ailelerini; segmentasyonda U-Net, DeepLab, Mask R-CNN ve Mask2Former gibi yapıları açıklar. CNN'ler yerel görüntü örüntülerini evrişim filtreleriyle öğrenirken Vision Transformer mimarileri görüntüyü patch dizilerine ayırıp self-attention üzerinden daha geniş bağlamı modelleyebilir.

YOLO ailesinin özellikle hızlı inference ve nesne lokalizasyonu nedeniyle incelenen pest detection çalışmalarında yaygın olduğu görülmektedir. Ancak derlemenin kendi karşılaştırması, aynı mimari ailesinin farklı ortamlarda çok farklı performans vermesinin mümkün olduğunu gösterir.

Belirti Oluşmadan Bitki Hastalığı Tespiti Nasıl Mümkün Olabilir?

Pre-semptomatik tespit, hastalığın görünür lezyon oluşturmadan önce bitkinin klorofil içeriği, fotosentetik işlevi, hücresel yapısı, su taşınımı veya yaprak sıcaklığında oluşturduğu fizyolojik değişimlerin multispektral, hiperspektral, termal veya floresans sensörlerle ölçülmesine ve bu zayıf örüntülerin AI tarafından öğrenilmesine dayanır; ancak böyle bir anomali tek başına belirli bir patojenin kesin tanısı değildir.

Stresin zaman içinde gelişimi

Kaynağın kavramsal çerçevesine göre stres ilk olarak moleküler ve hücresel düzeyde başlar. Gen ifadesi, hormon düzeyleri, protein sentezi ve reactive oxygen species gibi süreçlerdeki değişimler gözle görülemez.

Daha sonra fotosentetik verim, spektral yansıma, sıcaklık ve su durumu gibi sensörle algılanabilir fizyolojik değişiklikler ortaya çıkabilir. Görünür sararma, lezyon, nekroz veya morfolojik bozulma ise daha sonraki aşamalarda belirginleşebilir.

AI'ın erken tespitteki hedefi, hastalığın bu ikinci katmandaki zayıf sensör sinyalini görünür semptom oluşmadan önce ayırt etmektir.

Red-edge: 700–740 nm

Derleme, Botrytis cinerea araştırmaları bağlamında red-edge bölgesinin yaklaşık 700–740 nm aralığında klorofil içeriği ve fotosistem II işlevindeki değişimlere duyarlı olabileceğini aktarmaktadır.

NIR: 750–900 nm

Near-infrared bölgesi hücresel ve yapısal bütünlükle ilişkilidir. Enfeksiyonun mezofil dokusuna ilerlemesi gibi değişiklikler NIR yansıma davranışını değiştirebilir.

SWIR: 1400–1900 nm

Short-wave infrared bölgesi yaprak su içeriğine güçlü biçimde duyarlıdır. Patojen kaynaklı biyotik stres bitki içindeki su taşınımını etkileyebildiğinden, derlemenin aktardığı bazı çalışmalar SWIR değişimlerinin görünür belirtilerden yaklaşık 1–3 gün önce ölçülebildiğini bildirmektedir.

NDRE, PRI ve SIPI neden kullanılabilir?

NDRE, PRI ve SIPI gibi vegetation indices belirli bant kombinasyonlarından bitki pigmentleri veya fotosentetik durumla ilişkili göstergeler türetir. Derleme bu indekslerin bazı erken biyotik stres koşullarında NDVI'dan daha duyarlı olabildiğini aktarmaktadır.

Ancak tek bir indeksin belirli bir patojene özgü olmadığı özellikle vurgulanmaktadır. Red-edge kayması azot eksikliğinde, SWIR su-bant değişimi kuraklıkta ve görünür kloroz demir eksikliğinde de ortaya çıkabilir. Bu nedenle yalnız bir threshold kullanarak “bu bitkide kesin mantar enfeksiyonu var” sonucu çıkarılması uygun değildir.

Ground truth nasıl kurulmalıdır?

Görünür hastalık belirtilerinin bounding box veya segment maskesiyle etiketlenmesinde phytopathologist uzmanların anotasyonları ground truth olarak kullanılabilir. Birden fazla annotator varsa Cohen's Kappa veya Fleiss' Kappa gibi anlaşma ölçütleri kullanılabilir.

Pre-semptomatik spektral tespitte ground truth daha zor bir problemdir. Bitki görünür olarak sağlıklı görünebildiği için yalnız görüntü etiketine güvenilemez. Kaynağın ele aldığı kontrollü çalışmalarda patojen inokülasyonu yapılmış ve enfeksiyon durumu PCR veya ELISA gibi yöntemlerle doğrulanmıştır. Bu doğrulama, spektral sinyalin yalnız kuraklık veya başka bir stres yerine gerçekten enfeksiyon bulunan örnekten geldiğini göstermek açısından önemlidir.

Laboratuvar doğruluğu neden yetmez?

Laboratuvar ortamı arka plan, aydınlatma ve stres koşullarının kontrolünü kolaylaştırır. Buna karşılık gerçek tarlada gölge, değişen güneş açısı, yaprak örtüşmesi, yağmur, çiy, toz, farklı cultivar morfolojileri ve birden fazla stres aynı anda görülebilir.

Bu nedenle kaynak üç doğrulama düzeyi arasında ayrım yapmaktadır: kontrollü laboratory benchmark, gerçek field validation ve modelin geliştirildiği ürün/bölgeden farklı bir domain üzerinde cross-domain validation. Sonuncusu modelin gerçekten genelleme yapıp yapamadığını anlamak için özellikle zorlayıcıdır.

Zararlı tespitinde üç gözlem ölçeği

Derleme pest monitoring yöntemlerini üç geniş sınıfa ayırmaktadır. Tuzak tabanlı izleme, yapışkan tuzaklardaki böceklerin otomatik sayımıyla popülasyon trendlerini izler. Bitki-merkezli tespit, böceği veya böceğin yaprakta oluşturduğu hasarı doğrudan lokalize eder. Saha/hava ölçekli gözetim ise UAV veya geniş alan görüntülemesiyle daha büyük bölgelerde risk haritası üretmeye çalışır.

Tuzak sistemi sayım ve tahmin için ölçeklenebilir olabilir; fakat böceğin tarlanın tam olarak hangi bitkisinde hasar oluşturduğunu göstermez. Bitki-merkezli sistemler daha lokal karar sağlar fakat yaprakların üst üste gelmesi, arka plan karmaşası ve aydınlatma değişimi tespiti zorlaştırır. UAV gözlemleri geniş alan avantajı sunarken tek yaprak veya küçük lezyon düzeyindeki ayrıntıyı kaybedebilir.

Gözlem ölçeği neden standard metadata olmalıdır?

Kaynak yaprak, bitki, kanopi ve bölgesel ölçeklerin yalnız görüntü çözünürlüğü açısından değil; kullanılan sensör, model mimarisi, anotasyon ve ground-truth yöntemi açısından da farklı olduğunu vurgular. Bu nedenle gelecekteki benchmark'larda performans metriğinin yanında değerlendirmenin hangi mekânsal ölçekte yapıldığının da açıkça raporlanması önerilmektedir.

Çalışmanın Yöntemi ve Bulguları

Bu Review nasıl yapılandırılmıştır?

Çalışma yeni deney veya veri seti oluşturmamaktadır. Yazarlar mevcut AI tabanlı pest ve disease detection çalışmalarını tematik biçimde sınıflandırarak sensör modalitesi, model paradigması, uygulama ölçeği ve pre-/post-semptomatik tespit açısından karşılaştırmaktadır.

PDF'de PRISMA akışı, veri tabanı bazlı tam search string, arama tarihi, ilk bulunan kayıt sayısı, duplicate elimination, formal inclusion/exclusion criteria veya quality/risk-of-bias skoru raporlanmamıştır. Bu nedenle burada verilen tablolar sistematik meta-analitik ortak etki büyüklükleri olarak değil, alanın temsilî yöntem ve performans örneklerini bir araya getiren yapılandırılmış derleme tabloları olarak okunmalıdır.

Table 2: Zararlı tespit çalışmalarından temsilî sonuçlar

Bu tablo, aynı “pest detection” etiketinin altında bile performansın büyük aralıkta değişebildiğini göstermektedir. Ancak bir çalışmadaki mAP veya precision değerinin diğerinden yüksek olması tek başına daha iyi bir algoritmayı kanıtlamaz. Hedef tür sayısı, pest boyutu, görüntü çözünürlüğü, arka plan, test ortamı ve train/test ayrımı değişmektedir.

Table 3: Hastalık tespit çalışmalarından temsilî sonuçlar

Farklı satırlardaki mAP, precision, Dice ve accuracy aynı matematiksel ölçüt değildir. Ayrıca farklı veri seti ve görevlerde ölçülmüşlerdir. Bu nedenle tablo bir leaderboard değildir.

Yüksek AI Doğruluğu Neden Gerçek Saha Güvenilirliği Anlamına Gelmez?

Bir bitki hastalığı veya zararlı modeli kontrollü bir veri setinde yüksek accuracy ya da mAP elde etse bile farklı cultivar, bölge, kamera, ışık, hava koşulu veya hastalık evresinde veri dağılımı değişebilir; model gerçek biyolojik belirti yerine arka plan veya sensöre özgü tesadüfi korelasyonlar öğrenmişse saha performansı keskin biçimde düşebilir.

Domain shift

Domain shift, eğitim verisinin dağılımıyla gerçek kullanım verisinin dağılımının farklılaşmasıdır. Sera görüntüsünde yetiştirilen domates yaprağını tanıyan bir model, farklı cultivar, farklı toprak arka planı veya açık tarla güneş ışığı altında aynı performansı korumayabilir.

Hiperspektral ve multispektral sistemlerde problem daha da karmaşık olabilir. Sensör kalibrasyon farkı, atmosfer, güneş açısı ve cihaz değişimi ölçülen spektral imzayı değiştirebilir.

Sınıf dengesizliği

Gerçek tarım veri setlerinde sağlıklı bitkiler hasta örneklerden çok daha fazla olabilir. Bu durumda yalnız accuracy kullanmak tehlikelidir. Örneğin %10 hastalık prevalansı bulunan varsayımsal bir veri setinde bütün örneklere “sağlıklı” diyen bir model %90 accuracy elde eder; ancak hastalıkların hiçbirini yakalayamaz.

Kaynak bu nedenle Precision–Recall eğrisi, F1-score ve Matthews Correlation Coefficient gibi ölçütlerin dengesiz veri setlerinde daha bilgilendirici olabileceğini tartışmaktadır.

Etiketli veri eksikliği

Nadir hastalıklar, yeni patojenler ve bölgeye özgü cultivar'lar için yeterli görüntü bulunmayabilir. Erken enfeksiyon evresi için problem daha zordur; görünür semptom yokken doğru etiket üretmek uzman bilgisi ve çoğu zaman laboratuvar doğrulaması gerektirir.

Kaynak active learning, semi-supervised learning, transfer learning, data augmentation ve generative AI tabanlı sentetik veri üretimini bu darboğazı azaltabilecek yaklaşımlar arasında değerlendirmektedir. Bununla birlikte sentetik veri, uzman tarafından doğrulanmış gerçek saha verisinin tamamen yerine geçen bir çözüm olarak sunulmamaktadır.

Korelasyon nedensellik değildir

Bir trap-based AI sistemi sıcaklık, nem ve böcek sayısından gelecek popülasyon trendini tahmin edebilir; ancak model böceğin yumurtlama mekanizmasını biyolojik olarak “anlamış” olmayabilir.

Benzer şekilde hiperspektral bir AI modeli enfeksiyonla ilişkili spektral anomaliyi tanıyabilir ancak aynı anomali başka bir biyolojik veya abiyotik stres tarafından da üretilebilir.

Bu ayrım nedeniyle yüksek predictive accuracy ile “hastalığın nedenini bilmek” aynı iddia değildir.

AI + moleküler doğrulama yaklaşımı

Derlemenin önerdiği en sağlam pratik mimari, AI'ı büyük alanlarda hızlı screening katmanı olarak kullanmaktır. Sistem şüpheli bitkileri veya bölgeleri seçer; ardından yalnız bu örneklerde PCR, ELISA veya başka doğrulayıcı test uygulanır.

Bu yapı, pahalı moleküler testlerin bütün tarlaya uygulanmasını gerektirmeden geniş alanlı gözlem sağlar ve AI'ın korelasyon temelli tahminini biyolojik olarak daha özgül bir tanıyla destekler.

Teknik ve operasyonel saha sorunları

Gerçek tarla koşullarında doğal ışığın saat boyunca değişmesi, gölgeler, specular reflection, bulut geçişleri ve renk sıcaklığı modellerin görüntü dağılımını değiştirebilir. Yağmur veya çiy yaprağın görünüşünü değiştirirken toz sensör kalitesini etkileyebilir.

Yoğun kanopide yaprakların birbirini örtmesi küçük zararlıları veya iç yapraklardaki hastalık belirtilerini gizleyebilir. Farklı cultivar'ların doğal renk, şekil ve doku farklılıkları da hastalık belirtisiyle karıştırılabilir.

Sosyoekonomik engeller

AI sisteminin yalnız algoritması değil, gerekli donanımı ve altyapısı da uygulanabilirliği belirler. Derleme drone üzerinde kullanılan hiperspektral kameraların yaklaşık 15.000–100.000 ABD dolarının üzerine çıkabildiğini; multispektral sistemlerin yaklaşık 3000–8000 ABD doları aralığında olabildiğini aktarmaktadır. Bu değerler derlemenin kullandığı kaynaklardaki bağlamsal piyasa örnekleridir ve her cihaz için evrensel güncel fiyat değildir.

Bu maliyet farkı özellikle küçük işletmelerde mutlak model doğruluğu ile erişilebilirlik arasında denge kurulmasını gerektirir. Yazarlar yüksek maliyetli bir sistemin biraz daha yüksek accuracy vermesinin, daha ucuz ve çok daha geniş erişilebilen bir teknolojiden otomatik olarak daha fazla food-security etkisi oluşturmayabileceğini vurgulamaktadır.

Gelecek yönleri

Explainable AI neden yalnız heatmap değildir?

Kaynak, bir saliency veya class-activation heatmap'inin modelin görüntünün hangi bölgesine baktığını gösterebildiğini ancak bunun çiftçiye veya agronoma her zaman biyolojik açıklama sağlamadığını belirtmektedir.

Örneğin yaprağın belirli bölgesinin kırmızı renkle vurgulanması o sinyalin mantar enfeksiyonu, azot eksikliği veya herbisit hasarı olduğunu açıklamaz. Daha yararlı bir açıklanabilirlik sistemi, kararın hangi fizyolojik veya spektral özelliğe dayandığını ve alternatif streslerle neden uyuşmadığını açıklayabilmelidir.

Edge AI

Edge AI, görüntü veya sensör verisinin buluta gönderilmeden drone, traktör veya tarla robotu üzerindeki yerel donanımda işlenmesini amaçlar. Bu yaklaşım bağlantının zayıf olduğu bölgelerde çalışabilir, latency'yi azaltabilir ve veri mahremiyetini artırabilir.

Derleme bu mimariyi gerçek zamanlı hedefli müdahale için önemli görmektedir. Ancak büyük model mimarileri ile edge donanımın güç ve bellek sınırları arasında önemli bir mühendislik dengesi vardır.

Foundation model ile lightweight model arasındaki denge

Derleme, tarıma özgü foundation model'ların çok büyük ve çeşitli bitki görüntüsü veri setlerinden genel temsil öğrenebileceğini tartışmaktadır. Bununla birlikte genel amaçlı büyük visual backbone'ların tarla donanımına doğrudan yerleştirilmesi zor olabilir.

Kaynak örnek olarak ViT-B/14 sınıfı bir backbone'un yaklaşık 86 milyon parametreye sahip olabildiğini; YOLOv8-nano'nun yaklaşık 3.2 milyon parametreyle embedded sistemlerde 5 W altındaki güç sınıflarında gerçek zamanlı çalışabildiğini aktarmaktadır.

Bu nedenle yakın dönem için önerilen yönlerden biri, foundation model'ı büyük tarımsal veri üzerinde offline ön eğitim için kullanmak ve daha sonra öğrenilen temsili küçük görev-özgü modellere distill ederek edge cihazlara taşımaktır.

Hiperspektral veride band selection

Hiperspektral sistemin yüzlerce bandı her uygulamada eşit bilgi taşımaz. PCA veya LDA gibi dimensionality-reduction yöntemleri veri boyutunu azaltabilir ancak doğrusal olmayan hastalık–spektrum ilişkilerini kaçırabilir.

Derleme autoencoder tabanlı representation learning ve AI-driven band selection'ı önemli gelecek yönlerinden biri olarak görmektedir. Eğer belirli bir hastalık için 200 bant yerine yalnız 3–5 seçilmiş bandın benzer tanısal bilgi sağlayabildiği güvenilir biçimde gösterilebilirse sensör maliyeti ve işlem yükü önemli ölçüde düşebilir. Kaynak bu noktayı gelecekte doğrulanması gereken bir teknoloji hedefi olarak tartışır; gerçekleşmiş evrensel sonuç olarak sunmaz.

Erken dönem değerlendirme metrikleri

Hastalık tespiti için yanlış negatif ile yanlış pozitifin tarımsal maliyeti eşit değildir. Yanlış negatif gerçek enfeksiyonun kaçırılması ve yayılmasına izin verebilir; yanlış pozitif ise gereksiz doğrulama veya tedaviye yol açabilir.

Kaynak gelecekte benchmark'ların bu asimetrik maliyeti dikkate almasını ve sensitivity'nin pre-semptomatik, erken-semptomatik ve geç-semptomatik aşamalar için ayrı raporlanmasını önermektedir. Özellikle pre-semptomatik sensitivity'nin overall mAP yanında temel ölçütlerden biri olması önerilmektedir.

Çalışmanın desteklediği sonuçlar

Derleme, AI'ın bitki zararlıları ve hastalıklarının görüntü ve sensör tabanlı taranmasında geniş bir yöntem ailesi sunduğunu desteklemektedir.

Derleme, RGB bilgisinin görünür semptomlar için güçlü ve erişilebilir olduğunu; multispektral ve hiperspektral verinin görünür semptomlardan önce oluşan bazı fizyolojik değişimlere erişim sağlayabildiğini desteklemektedir.

Derleme, model performansının yalnız mimariye değil veri kalitesi, domain, sensör, ürün, hastalık aşaması ve çevresel koşullara güçlü biçimde bağlı olduğunu desteklemektedir.

Derleme, AI'ın geniş alanlı screening aracı olarak moleküler tanı ve agronomik uzmanlıkla birleştirilmesinin bağımsız AI tanısından daha bilimsel olarak savunulabilir olduğunu desteklemektedir.

Derleme, multimodal sensing, XAI, edge computing, foundation models ve cross-domain validation'ın alanın önemli gelecek araştırma yönleri olduğunu desteklemektedir.

Çalışmanın desteklemediği sonuçlar

Çalışma herhangi bir YOLO, Transformer veya CNN mimarisinin bütün ürün ve bölgelerde “en iyi” olduğunu göstermemektedir.

Çalışma yüksek laboratory accuracy'nin aynı biçimde gerçek tarla koşullarına taşınacağını göstermemektedir.

Çalışma AI modelinin PCR veya ELISA yerine belirli bir patojenin biyolojik varlığını kesin olarak kanıtlayabildiğini göstermemektedir.

Çalışma tek bir vegetation index veya spektral bandın biyotik ve abiyotik stresleri her koşulda güvenilir biçimde ayırdığını göstermemektedir.

Çalışma Table 2 ve Table 3'teki farklı yüzdeleri ortak benchmark altında ölçülmüş doğrudan karşılaştırılabilir sonuçlar olarak sunmamaktadır.

Çalışma AI kullanımının bütün çiftçiler için ekonomik olarak uygun olduğunu veya pahalı sensörlerin her durumda daha yüksek tarımsal değer oluşturacağını göstermemektedir.

Temel sınırlılıklar

Derleme çok farklı ürün, zararlı, patojen, çevre, sensör, veri seti, model ve performans metriğini kapsamaktadır. Bu heterojenlik genel eğilimleri görmek için değerlidir ancak çalışmalar arasında doğrudan nicel karşılaştırmayı sınırlar.

Review içinde formal PRISMA tabanlı systematic-review selection protocol raporlanmamıştır. Bu nedenle kaynak seçimi ve literatür kapsamının bağımsız olarak birebir yeniden üretilebilirliği sınırlıdır.

İncelenen çalışmaların önemli kısmı domates, salatalık, üzüm, patates ve biber gibi sık araştırılan ürünlerde yoğunlaşmaktadır. Bir üründe geliştirilen modelin başka ürün, cultivar veya agro-ekolojik bölgeye aktarılabilirliği çoğu durumda doğrudan test edilmemiştir.

Pre-semptomatik sensing çalışmaları özellikle laboratuvar ve kontrollü ortam verilerinde güçlüdür; doğal saha ortamında birden fazla biyotik ve abiyotik stresin aynı anda bulunduğu koşullar daha zor bir doğrulama problemidir.

Kaynak ve Yöntem Notu

Özgün başlık: A Review on Artificial Intelligence Methods for Plant Disease and Pest Detection

Yazarlar: Nikolaos Giakoumoglou; Dimitrios Kapetas; Kleanthis Marios Papadopoulos; Panagiotis Christakakis; Tania Stathaki; Eleftheria Maria Pechlivani

Yazışma yazarı: Eleftheria Maria Pechlivani

Kurum 1: Department of Electrical and Electronic Engineering, Imperial College London, London, United Kingdom.

Kurum 2: Centre for Research and Technology Hellas, Information Technologies Institute, Thessaloniki, Greece.

Dergi: AI and Precision Agriculture

Yayınevi: MDPI

Cilt / Sayı / Makale: 1 / 1 / 2

DOI: 10.3390/aipa1010002

Tarihler: Alındı: 27 Şubat 2026; revize edildi: 28 Mayıs 2026; kabul edildi: 1 Temmuz 2026; yayımlandı: 14 Temmuz 2026.

Kaynak türü: Review. Çalışma yeni deney veya yeni veri seti üretmemektedir.

Derleme yöntemi sınıflandırması: Yapılandırılmış kapsamlı bilimsel derleme. PDF formal PRISMA akışı, tam search strategy, çalışma seçim sayıları, inclusion/exclusion protocol veya meta-analitik pooling raporlamadığı için systematic review veya meta-analysis olarak sınıflandırılmamıştır.

Ana kapsam: AI tabanlı pest monitoring, plant disease detection, computer vision, multispectral/hyperspectral sensing, pre-semptomatik detection, validation, generalization ve field deployment.

Başlıca incelenen ürünler: Domates, salatalık, üzüm, patates ve biber. Kaynak ayrıca pamuk, pirinç, buğday, mısır, meyve ağaçları ve başka ürünlerdeki uygulamaları da kapsamın parçası olarak belirtmektedir.

Başlıca sensing modaliteleri: RGB, multispektral, hiperspektral, termal, floresans, LiDAR ve çevresel IoT sensörleri.

Başlıca AI görevleri: Classification, object detection, semantic/instance/panoptic segmentation, forecasting ve regression.

Başlıca model aileleri: Support Vector Machine, Decision Tree, Random Forest, CNN, Vision Transformer, R-CNN, YOLO, SSD, U-Net, DeepLab, Mask R-CNN ve Mask2Former.

Validasyon yaklaşımı: Expert annotation, gerektiğinde annotator agreement; pre-semptomatik spektral etiketlerde kontrollü inokülasyon ve PCR/ELISA doğrulaması; laboratory, field ve cross-domain validation ayrımı.

Kaynak tabloları: Table 1 biyotik ve abiyotik streslerde ortak görsel belirtileri; Table 2 AI tabanlı pest detection çalışmalarını; Table 3 AI tabanlı plant disease çalışmalarını karşılaştırmaktadır.

Bilimsel figür: Kaynak PDF'de özgün veri figürü bulunmamaktadır; bilimsel görsel içerik esas olarak tablolar ve metinsel metodolojik sentez üzerinden sunulmaktadır.

Lisans: Creative Commons Attribution (CC BY). Görünür PDF metninde sürüm numarası ayrıca belirtilmediğinden sürüm tahmin edilmemiştir.

Finansman: E-SPFdigit projesi; European Union Horizon Europe research and innovation programme, Grant Agreement No. 101157922.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Review yeni veri oluşturmamış veya analiz etmemiştir; kullanılan bilgiler daha önce yayımlanmış ve kaynakçada belirtilen çalışmalardan türetilmiştir.

AI kullanım beyanı: Yazarlar makalenin hazırlanması sırasında Claude (Anthropic) adlı büyük dil modelini seçilmiş pasajların taslağı ve revizyonuna yardımcı olmak amacıyla kullanmıştır. AI destekli metin yazarlar tarafından incelenmiş ve onaylanmıştır. Kaynağın beyanına göre AI aracı veri analizi, literatür taraması veya referans doğrulaması için kullanılmamıştır.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yazar katkıları: Kavramsallaştırma bütün yazarlar tarafından yürütülmüştür. Yöntem ve yazılım Nikolaos Giakoumoglou ile Dimitrios Kapetas'a; formal analiz aynı iki yazara; veri kürasyonu aynı iki yazara; özgün taslak Nikolaos Giakoumoglou, Kleanthis Marios Papadopoulos ve Dimitrios Kapetas'a; görselleştirme Nikolaos Giakoumoglou'ya; danışmanlık Tania Stathaki ve Eleftheria Maria Pechlivani'ye; proje yönetimi ve finansman edinimi Eleftheria Maria Pechlivani'ye aittir. Bütün yazarlar gözden geçirme ve düzenlemeye katkı sağlamıştır.

Temel yöntemsel sınırlılık: Çalışmalar sensör, ürün, veri seti, görev ve performans metriği açısından yüksek heterojenlik taşımaktadır; Table 2–3 bir meta-analiz veya ortak benchmark değildir.

Ana bilimsel yorum sınırı: AI bitki sağlığı yönetiminde hızlı ve geniş ölçekli screening sağlayabilir; ancak model tahmini patojenin nedensel veya moleküler doğrulaması değildir. En güçlü kullanım modeli AI taramasının fitopatolojik bilgi, çevresel gözlem ve gerektiğinde PCR/ELISA gibi doğrulayıcı yöntemlerle birleştirilmesidir.