Uyarlamalı özellik hizalamalı heterojen öğretmenlerle bilgi damıtımı (Knowledge Distillation using Heterogeneous Teachers with Adaptive Feature Alignment, KDHT-AFA), iki farklı öğretmen ağdan alınan karar ve ara özellik bilgisini daha küçük bir öğrenci ağa aktaran ve her özellik çözünürlüğünde hangi öğretmenin daha bilgilendirici temsil sunduğunu uyarlamalı olarak seçen bir derin öğrenme çerçevesidir. Çalışma, düşük ışıklı ve gürültülü bitki yaprağı görüntülerinde hastalık sınıflandırmasını daha düşük hesaplama maliyetiyle gerçekleştirmeyi amaçlamaktadır. Ağır DPA-Net ve daha hafif EfficientNet-B1 öğretmen olarak birleştirilmiş, 5,16 milyon parametreli RSHA-Net large ana öğrenci model olarak kullanılmıştır. Model PlantVillage'da %92,64, Potato Leaf Disease'de %88,97 ve gerçek düşük ışıklı ReLL-PDD v1 saha veri kümesinde %86,88 ortalama doğruluk vermiştir. Bununla birlikte sonuçlar görüntü sınıflandırma deneyleridir; gerçek tarla koşullarında hastalık teşhisinin agronomik kesinliğini veya önerilen pestisitlerin güvenli ve doğru olduğunu tek başına kanıtlamaz.
Çalışmanın ayırt edici yönü yalnız iki öğretmenin tahminlerini birleştirmek değildir. Adaptive Feature Distillation Switch (AFDS), dört ayrı uzamsal çözünürlükte DPA-Net ve EfficientNet-B1 ara özelliklerini karşılaştırır; Informative Diversity Statistical Attention (IDSA) ise özellikleri ortalama aktivasyon, standart sapma ve Shannon entropisine göre puanlayarak o aşamada öğrenciye aktarılacak öğretmen özelliğini seçer. RSHA-Net ayrıca yerel piksel varyasyonu ile spatial attention ve global kanal bilgisi ile channel attention uygulayarak düşük ışıkta küçük hastalık belirtilerini daha görünür temsil etmeye çalışır.
Araştırma problemi
Bitki hastalıklarını derin öğrenmeyle sınıflandıran yüksek kapasiteli ağlar yüksek doğruluk sağlayabilir; ancak model boyutu, FLOPs, bellek kullanımı ve inference süresi bu ağların tarım robotları, mobil cihazlar veya diğer edge sistemlerde kullanılmasını zorlaştırabilir. Düşük ışık bu problemi daha da büyütür çünkü hastalık lekelerinin rengi, kenarı, dokusu ve kontrastı zayıflar; sensör gürültüsü ise yararlı görsel ayrıntıyı daha da bastırabilir.
Bilgi damıtımı bu soruna, büyük bir öğretmen ağın öğrendiği karar ilişkilerini ve ara temsilleri daha küçük bir öğrenci modele aktararak yaklaşır. Kaynak çalışmanın çıkış noktası, tek bir öğretmenin her giriş ve her katmanda en iyi bilgiyi sağlamayabileceğidir. Farklı mimarilere sahip iki öğretmen farklı türde yararlı özellikler yakalayabilir; fakat bunları kör biçimde birleştirmek de çelişkili supervision üretebilir.
KDHT-AFA Neden İki Farklı Öğretmen Model Kullanıyor?
KDHT-AFA, DPA-Net'in güçlü yüksek-seviye düşük ışık temsilini EfficientNet-B1'in daha hafif ve tamamlayıcı özellikleriyle birleştirir; amaç iki öğretmenin bütün ara özelliklerini aynı anda yığmak değil, logit düzeyinde birleşik karar bilgisi sağlarken feature düzeyinde AFDS aracılığıyla her çözünürlükte daha bilgilendirici öğretmeni seçmektir.
Öğretmen 1: DPA-Net
DPA-Net, ConvNext-small omurgasını kullanan daha ağır öğretmendir. Kaynak çalışmaya göre ağ; Triple Dilated Convolution Block, Fused Convolution Block, Multiscale Feature Extraction Block ve Pixel Attention Block gibi özel bileşenlerle düşük ışıklı, düşük kontrastlı hastalık örüntülerini yakalamaya çalışır.
Öğretmen 2: EfficientNet-B1
EfficientNet-B1, compound scaling ve MBConv blokları kullanan daha hafif ikinci öğretmendir. Depth-wise separable convolution ve squeeze-and-excitation channel attention, özellikle şekil, renk ve hastalık bölgesi kenarları gibi özelliklerin daha düşük maliyetle temsil edilmesini sağlar.
Öğretmen logitlerinin birleştirilmesi
Kaynak çalışma weighted sum, weighted product, perceptron rule ve Bayesian rule olmak üzere dört score-fusion yaklaşımını karşılaştırmıştır. En yüksek sonuç weighted sum ile elde edildiği için nihai öğretmen logits yapısı bu yöntemle kurulmuştur.
\[ S_{\mathrm{sum}}=\omega S_{\mathrm{DPA}}+(1-\omega)S_{\mathrm{Eff}} \]
Burada \(S_{\mathrm{DPA}}\) DPA-Net'in, \(S_{\mathrm{Eff}}\) EfficientNet-B1'in sınıf logitlerini; \(\omega\) ise iki kaynağın katkısını dengeleyen katsayıyı temsil eder. Ana makale kesin fold-bazlı \(\omega\) değerlerini vermemekte ve bu katsayıların her fold için bağımsız seçildiğini belirtmektedir.
RSHA-Net öğrenci modeli
RSHA-Net dört ana aşamadan oluşur. Büyük sürümde RSHA-IBR tekrar derinlikleri sırasıyla 2, 2, 6 ve 5'tir. Her aşamada channel expansion, RSHA-SepCon ve RSHA-IBR yapıları kullanılır. İlk convolution 224×224×3 girdiyi 112×112×24 temsile dönüştürür; daha sonra uzamsal boyutlar 56×56, 28×28, 14×14 ve 7×7 seviyelerine düşürülür.
Modelin nihai büyük sürümü 5,16 milyon parametre içerir. Kaynak ayrıca aşamaları 1, 1, 3 ve 1 derinliğinde olan 1,90 milyon parametreli küçük bir RSHA-Net sürümünü de karşılaştırmıştır.
RSHA: yerel yapı ile kanal bilgisinin birleşmesi
Regional Statistical Hybrid Attention (RSHA), spatial ve channel attention'ı birlikte kullanır. Spatial attention tarafı, komşu piksellerdeki yerel standart sapmayı kullanarak düz bölgelerden ziyade leke, kenar ve doku değişimlerine duyarlı hale gelir.
\[ \mu(h,w)=\frac{1}{K\times K}\sum_{i=-r}^{r}\sum_{j=-r}^{r}F(h+i,w+j) \]
\[ \sigma(h,w)=\sqrt{\frac{1}{K\times K}\sum_{i=-r}^{r}\sum_{j=-r}^{r} \left[F(h+i,w+j)-\mu(h+i,w+j)\right]^2} \]
Yerel standart sapma daha sonra normalize edilip sigmoid fonksiyonundan geçirilerek spatial attention haritasına dönüştürülür. Bu yapı, düşük ışıkta dahi çevresine göre belirgin yapısal değişim gösteren bölgelerin ağırlığını artırmayı amaçlar.
Channel attention tarafı global average pooling ve iki pointwise convolution ile kanal önemini hesaplar. Böylece hastalık rengi ve dokusuyla ilgili kanallar güçlendirilirken daha az yararlı kanallar bastırılır. RSHA'nın iki bileşeni beraber uygulandığında kaynak ablasyonunda tek başına spatial veya channel attention kullanımından daha yüksek doğruluk elde edilmiştir.
AFDS Hangi Öğretmenin Özelliğini Öğrenciye Aktarıyor?
Adaptive Feature Distillation Switch (AFDS), DPA-Net ve EfficientNet-B1'in aynı uzamsal çözünürlükte hizalanmış ara özelliklerini IDSA ile puanlar ve o aşamada daha yüksek bilgi puanı alan tek öğretmen özelliğini RSHA-Net'e aktarır; böylece iki öğretmenin çelişkili ara özelliklerini kör biçimde birleştirmek yerine aşama bazlı seçici supervision uygulanır.
Kanal hizalama
DPA-Net ve EfficientNet-B1 farklı mimarilere sahip olduğundan aynı çözünürlükte ürettikleri feature map kanal sayıları eşit değildir. AFDS bu nedenle önce 1×1 convolution ve batch normalization kullanarak iki öğretmen özelliğini ortak kanal uzayına getirir. DPA-Net tarafında GELU, EfficientNet-B1 tarafında SiLU aktivasyonu korunur.
IDSA'nın üç bilgi ölçüsü
Informative Diversity Statistical Attention (IDSA), her öğretmen özelliğini üç tamamlayıcı istatistikle değerlendirir:
- Ortalama aktivasyon (M): özelliğin genel aktivasyon gücünü temsil eder.
- Standart sapma (St): yapı ve yerel değişkenlik düzeyini temsil eder.
- Shannon entropisi (H): feature map içinde bulunan bilgi çeşitliliğini temsil eder.
Son IDSA puanı:
\[ S=(\lambda_1M)+(\lambda_2St)+(\lambda_3H) \]
şeklindedir. Ablasyon sonucunda kullanılan ağırlıklar \(\lambda_1=0,50\), \(\lambda_2=0,25\) ve \(\lambda_3=0,25\)'tir. Kaynak bu istatistikleri doğrudan “feature quality” ölçüsü değil, feature informativeness ölçüleri olarak tanımlar.
Dört seviyeli feature distillation
Feature-level bilgi aktarımı 56×56, 28×28, 14×14 ve 7×7 olmak üzere dört uzamsal çözünürlükte gerçekleştirilir. Erken katmanlar renk, kenar ve doku gibi düşük seviyeli özellikleri; ara katmanlar yapısal ve bağlamsal bilgiyi; derin katmanlar ise hastalık bölgesinin semantik temsilini taşır.
Seçilen öğretmen özelliği ile öğrenci özelliği arasındaki feature distillation kaybı cosine distance üzerinden hesaplanır:
\[ \mathcal{L}_{FD}^{(i)} = 1- \frac{F_c^{i}\cdot F_s^{i}} {\lVert F_c^{i}\rVert\lVert F_s^{i}\rVert} \]
Dört uzamsal seviyedeki kayıplar ortalanarak toplam feature distillation kaybı oluşturulur.
Logit distillation
Öğretmen ve öğrenci logitleri temperature scaling uygulanmış soft probability dağılımlarına dönüştürülür. İki dağılım arasındaki fark Kullback–Leibler divergence ile hesaplanır:
\[ \mathcal{L}_{LD} = KL(p^T_{\mathrm{fuse}}\parallel p^T_{\mathrm{st}}) = \sum_{i=1}^{n} p^T_{\mathrm{fuse}}(i) \log \frac{p^T_{\mathrm{fuse}}(i)} {p^T_{\mathrm{st}}(i)} \]
Supplementary Material'da yapılan temperature ablasyonunda \(T=5\) en iyi toplam performansı vermiştir.
Toplam eğitim kaybı
Öğrenci ağ üç kaynaktan aynı anda öğrenir: gerçek sınıf etiketi, öğretmenin soft logits çıktısı ve seçilen ara öğretmen özelliği.
\[ \mathcal{L}_{total} = \alpha\mathcal{L}_{CE} + \beta\mathcal{L}_{LD} + \gamma\mathcal{L}_{FD} \]
Ablasyonla seçilen ağırlıklar:
- \(\alpha=0,15\) — cross-entropy,
- \(\beta=0,15\) — logit distillation,
- \(\gamma=0,70\) — feature distillation.
Feature distillation'a verilen daha yüksek ağırlığın performansı artırması, kaynak yazarları tarafından ara yapısal supervision'ın öğrenci öğrenimindeki öneminin göstergesi olarak yorumlanmıştır.
Çalışmanın Yöntemi ve Bulguları
Kullanılan veri kümeleri
| Veri kümesi | Kaynak | Sınıf | Görüntü | Işık koşulu |
|---|---|---|---|---|
| PlantVillage düşük ışık/gürültü sürümü | Public PlantVillage'dan sentetik düşük ışık dönüşümü | 38 | 54.305 | Sentetik düşük ışık + gürültü |
| Potato Leaf Disease düşük ışık/gürültü sürümü | Public veri kümesinden sentetik düşük ışık dönüşümü | 3 | 4.072 | Sentetik düşük ışık + gürültü |
| ReLL-PDD v1 | Çalışmada gerçek sahadan toplanmış | 7 | 796 | Gerçek düşük ışıklı tarla koşulları |
ReLL-PDD v1 içeriği
| Bitki | Sınıf | Görüntü |
|---|---|---|
| Citrus | Canker | 153 |
| Spinach | Anthracnose | 128 |
| Spinach | Leaf spot | 172 |
| Spinach | Healthy | 69 |
| Ornamental | Blotch of gardenia | 100 |
| Ornamental | Insect attack | 109 |
| Ornamental | Healthy | 65 |
| Toplam | 7 sınıf | 796 |
ReLL-PDD v1 Aralık 2025 ile Şubat 2026 arasında Sargodha, Pakistan'da toplanmıştır. Görüntü çekiminde Infinix Hot 30 ve Samsung A23 kullanılmış; her yaprak yalnız bir kez görüntülenerek aynı örneğin farklı veri bölümlerine sızması azaltılmıştır. Etiketler görünür semptomlar üzerinden bir tarım uzmanı tarafından atanmış ve doğrulanmıştır.
Eğitim ve değerlendirme düzeni
| Parametre | Değer |
|---|---|
| Cross-validation | 5 fold |
| Her fold eğitim | %72 |
| Her fold doğrulama | %8 |
| Her fold test | %20 |
| Learning rate | 0,0005 |
| Batch size | 8 |
| Optimizer | Adam |
| Maksimum epoch | 100 |
| Early stopping | Validation accuracy |
| Logit temperature | T=5 |
| Geliştirme ortamı | PyTorch 1.12.0, PyCharm 2023.3.2, Anaconda 2023.09-0 |
| Eğitim GPU'su | NVIDIA GeForce GTX 1070, 8 GB |
Bilgi damıtımının öğrenci modele etkisi
| Veri kümesi | Durum | Accuracy | F1-score |
|---|---|---|---|
| PlantVillage | RSHA-Net large, KD yok | %88,89 ± 0,30 | %84,99 ± 0,58 |
| PlantVillage | KDHT-AFA | %92,64 ± 0,21 | %91,48 ± 0,40 |
| Potato Leaf Disease | RSHA-Net large, KD yok | %84,10 ± 4,62 | %83,98 ± 4,91 |
| Potato Leaf Disease | KDHT-AFA | %88,97 ± 1,43 | %88,92 ± 1,42 |
| ReLL-PDD v1 | RSHA-Net large, KD yok | %85,82 ± 7,42 | %85,93 ± 6,85 |
| ReLL-PDD v1 | KDHT-AFA | %86,88 ± 7,77 | %86,25 ± 8,19 |
PlantVillage ve Potato Leaf Disease'de bilgi damıtımı belirgin performans artışı sağlamıştır. ReLL-PDD v1'de accuracy artışı daha küçüktür ve F1-score ortalaması KD olmadan 85,93 iken KD ile 86,25'e yükselmiştir. Dolayısıyla “KD her veri kümesinde aynı büyüklükte kazanç sağladı” sonucu kaynak tarafından desteklenmez.
Ablasyon: feature distillation çözünürlükleri
| Feature seviyeleri | Accuracy | F1-score |
|---|---|---|
| Feature distillation yok | %88,56 | %84,46 |
| 56×56 | %88,96 | %84,86 |
| 56×56 + 28×28 | %89,53 | %85,48 |
| + 14×14 | %89,76 | %85,89 |
| + 7×7 — dört seviye | %90,12 | %86,21 |
Ablasyon: öğretmen seçimi
| Strateji | Accuracy | F1-score |
|---|---|---|
| Her seviyede Teacher 1 | %89,18 | %85,12 |
| Her seviyede Teacher 2 | %89,54 | %85,45 |
| Dönüşümlü T1–T2 | %89,05 | %84,73 |
| Dönüşümlü T2–T1 | %89,71 | %85,84 |
| AFDS ile uyarlamalı seçim | %90,12 | %86,21 |
Ablasyon: attention mekanizması
| Attention | Accuracy | F1-score |
|---|---|---|
| Yalnız standard-deviation spatial | %88,16 | %83,82 |
| Yalnız channel attention | %89,59 | %85,84 |
| CBAM | %88,36 | %83,85 |
| ECA | %88,89 | %84,68 |
| Coordinate attention | %89,33 | %85,59 |
| SimAM | %87,64 | %83,03 |
| Önerilen spatial + channel RSHA | %90,12 | %86,21 |
Gerçek Düşük Işık Saha Verisinde KDHT-AFA Ne Kadar Başarılı Oldu?
ReLL-PDD v1 üzerinde RSHA-Net large tabanlı KDHT-AFA %86,88±7,77 doğruluk, %86,82±8,00 precision, %85,95±8,14 recall ve %86,25±8,19 F1-score elde etti; bu sonuç aynı deney düzeninde karşılaştırılan yöntemler içinde en yüksek ortalama accuracy değeridir, ancak veri kümesinin yalnız 796 görüntü içermesi ve fold'lar arasındaki büyük standart sapmalar saha genellemesi konusunda dikkat gerektirir.
SOTA karşılaştırmasının yorumu
PlantVillage'da DPA-Net %92,11 accuracy ve %89,11 F1-score sağlarken KDHT-AFA large %92,64 ve %91,48'e ulaşmıştır. Potato Leaf Disease'de DPA-Net %88,92 accuracy ve %88,60 F1-score, KDHT-AFA ise %88,97 ve %88,92 elde etmiştir. ReLL-PDD v1'de ikinci en yüksek KD tabanlı accuracy GoLD Loss ile %85,71 iken KDHT-AFA %86,88'e ulaşmıştır.
Bütün SOTA yöntemlerin aynı deney koşullarında yeniden uygulanıp eğitilmiş olması karşılaştırmanın iç tutarlılığını güçlendirir. Bununla birlikte bu sonuçlar yalnız çalışmada kullanılan veri bölümleri, düşük ışık üretim yöntemi, eğitim protokolü ve üç veri kümesi için geçerlidir.
İstatistiksel değerlendirme
| Veri kümesi | Paired t-test p | Cohen's d | Kaynak yorumu |
|---|---|---|---|
| PlantVillage | 0,0013 | 2,0845 | Büyük etki |
| ReLL-PDD v1 | 0,039 | 1,1939 | Büyük etki |
Bu istatistikler beş fold'dan oluşan yalnız beş eşleştirilmiş accuracy gözlemine dayanmaktadır. Bu nedenle p değeri ve Cohen's d, bağımsız saha popülasyonları üzerinde yüzlerce ayrı deneyin etkisi gibi yorumlanmamalıdır.
Hesaplama maliyeti
| Model | Parametre | Bellek | FLOPs |
|---|---|---|---|
| RSHA-Net small | 1,90 M | 7,29 MB | 0,31 G |
| RSHA-Net large | 5,16 M | 19,81 MB | 0,59 G |
Edge-device inference
| Model | Jetson TX2 | Jetson Orin Nano | Masaüstü GPU | Mobil |
|---|---|---|---|---|
| RSHA-Net small | 6,47 ms / 154,60 FPS | 1,15 ms / 869,57 FPS | 0,76 ms / 1315,79 FPS | 12,11 ms / 82,58 FPS |
| RSHA-Net large | 10,63 ms / 94,07 FPS | 2,39 ms / 418,41 FPS | 1,35 ms / 740,74 FPS | 27,97 ms / 35,75 FPS |
Edge ölçümlerinde batch size 1 ve FP16 precision kullanılmış; board'lar maksimum performans modunda sabit saat frekanslarıyla çalıştırılmış ve en az 200 ms warm-up uygulanmıştır. Güç tüketimi INA3221 sensörlerinden 0,1 saniye aralıklarla kaydedilmiştir.
| Model | Jetson TX2 | Jetson Orin Nano |
|---|---|---|
| RSHA-Net small | 7,47 W | 5,41 W |
| RSHA-Net large | 6,84 W | 2,92 W |
Büyük modelin bazı cihazlarda küçük modelden daha düşük board-level güç göstermesi parametre sayısının güç tüketimini tek başına belirlemediğini gösterir. Kaynak bunu GPU kullanımı, CPU–GPU overhead, kernel execution efficiency ve memory access pattern gibi donanım düzeyi etkenlerle ilişkilendirmektedir.
Hata analizi
PlantVillage confusion matrix'inde en belirgin sınıflandırma güçlükleri tomato early blight (%32 hata), corn gray leaf spot (%27), pepper bacterial spot (%23) ve tomato target spot (%22) sınıflarında görülmüştür. Tomato early blight hataları birçok sınıfa dağılırken corn gray leaf spot hatalarının önemli bir bölümü corn leaf blight'a yönelmiştir.
Grad-CAM örnekleri üç temel hata mekanizmasını göstermektedir: benzer hastalık sınıflarının ortak nekrotik/doku özellikleri, düşük ışık nedeniyle küçük lezyon ayrıntısının kaybolması ve modelin hastalıklı bölge yerine daha geniş veya ilgisiz yapıya odaklanması. ReLL-PDD v1'de spinach anthracnose'un spinach leaf spot olarak, spinach leaf spot'un ise healthy olarak sınıflandırıldığı örnekler bu sorunu göstermektedir.
Cross-dataset genelleme
Model bir veri kümesinde eğitilip diğerinde test edildiğinde performans düşmüştür. Kaynak bu domain-shift etkisini arka plan, aydınlatma ve hastalık görünümü farklarına bağlamaktadır. Sayısal cross-dataset sonuçları Supplementary Table S3'e bırakıldığı için ana makaleden kesin oran üretilmemiştir.
SPPM'nin Pestisit Önerileri Uzmanlar Tarafından Doğrulanmış mı?
Hayır. Smart Pesticide Prescription Module (SPPM), KDHT-AFA tarafından saptanan hastalık adını LLaMA 3.2'ye gönderip mobil uygulamaya pestisit bilgisi döndüren bir proof-of-concept edge-server entegrasyonudur; kaynak, üretilen önerilerin tarım uzmanlarınca sistematik olarak doğrulanmadığını açıkça belirtmektedir, bu nedenle SPPM klinik anlamdaki “reçete” gibi güvenilir agronomik karar sistemi olarak kullanılmamalıdır.
SPPM işlem akışı
- Mobil kamera bitki yaprağı görüntüsünü alır.
- Mobil uygulamadaki ONNX biçimli KDHT-AFA/RSHA-Net modeli hastalık sınıfını tahmin eder.
- Tespit edilen hastalık bilgisi HTTP üzerinden sunucuya gönderilir.
- Sunucudaki LLaMA 3.2 pestisitle ilgili metinsel öneri üretir.
- HTTP yanıtı mobil cihaza geri gönderilir.
Bu akış teknik entegrasyonun uygulanabilirliğini göstermektedir. Pestisit etkinliği, doz, ürün ruhsatı, yerel mevzuat, hedef zararlı, bitki gelişim dönemi, çevresel risk ve insan güvenliği bu çalışmada deneysel olarak doğrulanmamıştır.
Çalışmanın desteklediği sonuçlar
- İki heterojen öğretmenin logit ve seçilmiş ara özellik bilgisinin birlikte damıtılması, çalışmanın deney düzeninde tek veya sabit öğretmen stratejilerinden daha yüksek performans sağlayabilmektedir.
- Dört çözünürlük seviyesinde feature distillation, yalnız logit supervision kullanılan yapıya göre performansı artırmıştır.
- RSHA'nın spatial ve channel attention bileşenlerini birlikte kullanması incelenen alternatif attention mekanizmalarından daha yüksek accuracy sağlamıştır.
- RSHA-Net large, üç veri kümesinin tamamında karşılaştırılan yöntemler arasında çok güçlü sınıflandırma performansı göstermiştir.
- Önerilen öğrenci ağ, Jetson TX2, Jetson Orin Nano, mobil cihaz ve masaüstü üzerinde gerçek inference-time ölçümleriyle değerlendirilmiştir.
- Grad-CAM analizi modelin birçok doğru örnekte hastalıklı bölgeleri vurgulayabildiğini, hata durumlarında ise yanlış veya fazla geniş bölgelere odaklanabildiğini göstermiştir.
Çalışmanın desteklemediği sonuçlar
- KDHT-AFA bütün ürünlerde, bütün hastalıklarda ve bütün coğrafyalarda aynı doğruluğu garanti etmez.
- ReLL-PDD v1'deki %86,88 accuracy, bütün gerçek tarım alanlarında aynı performansın elde edileceği anlamına gelmez.
- Cross-dataset performansı domain shift altında düşmüştür.
- Görüntü sınıflandırması, laboratuvar veya bitki patoloğu doğrulamasının yerine geçtiğini kanıtlamaz.
- SPPM'nin pestisit önerileri agronomik uzmanlarca sistematik olarak doğrulanmamıştır.
- Kaynak gerçek bir tarım robotunun uzun dönem saha operasyonunda hastalık kontrol başarısını veya ürün verimi artışını ölçmemiştir.
Başlıca sınırlılıklar
ReLL-PDD v1 yalnız 796 görüntü içerir ve üç bitki grubuyla sınırlıdır. Örnekleme yalnız Sargodha'da ve yaklaşık üç aylık bir zaman aralığında yapılmıştır; ürün çeşitliliği, mevsimsel değişkenlik ve coğrafi çeşitlilik sınırlıdır.
Bazı bitkiler için eşleşen sağlıklı sınıf bulunmaması sınıflandırma yanlılığı oluşturabilir. Ayrıca küçük lezyonların düşük ışıkta görünürlüğünün azalması, benzer hastalıkların ortak görsel örüntüleri ve hatalı localization modelin önemli hata kaynaklarıdır.
PlantVillage ve Potato Leaf Disease'in düşük ışıklı sürümleri gerçek gece tarla çekimleri değil, daha önce yayımlanan çalışmadan gelen sentetik düşük ışık/gürültü dönüşümleridir. Bu makale, sentetik bozulmayı üretmek için kullanılan bütün görüntü dönüşüm parametrelerini yeniden ayrıntılı biçimde vermemektedir.
SPPM yalnız proof-of-concept'tir. LLM çıktılarının uzman doğrulaması yapılmadığından önerinin doğruluğu, ürün bazında güvenliği veya yerel pestisit mevzuatına uygunluğu kanıtlanmış değildir.
Kaynak içi veri erişilebilirliği tutarsızlığı
Makalenin Introduction bölümü KDHT-AFA kodunun ve çalışmada kullanılan üç veri kümesinin GitHub'da kamuya açık olduğunu belirtmektedir. Aynı çalışma ReLL-PDD v1'i yeni toplanan bir veri kümesi olarak tanımlar. Buna karşılık son Data Availability beyanı “No datasets were generated or analysed during the current study” demektedir. Bu iki kayıt birbiriyle uyuşmadığından Verianla veri erişilebilirliği konusunda tek taraflı düzeltme yapmamaktadır.
Kaynak ve Yöntem Notu
Özgün çalışma: Seeing through the dark: adaptive switch-guided knowledge distillation via heterogeneous teachers for robust plant disease diagnosis
Yazarlar: Hafiz Ali Hamza Gondal; Su Jin Im; Muhammad Hamza Tariq; Muhammad Irfan; Muhammad Usman; Muhammad Ahmad Zeshan; Kang Ryoung Park.
Sorumlu yazar: Kang Ryoung Park.
Kurumlar: Division of Electronics and Electrical Engineering, Dongguk University, Seoul, Republic of Korea; Department of Plant Pathology, College of Agriculture, University of Sargodha, Sargodha, Pakistan.
Dergi: Journal of King Saud University Computer and Information Sciences.
Platform / yayınevi: Springer Nature.
Cilt / makale numarası: 38, 826.
Yayın tarihi: 31 Ağustos 2026.
Alınma / kabul: 16 Haziran 2026 / 10 Ağustos 2026.
DOI: 10.1007/s44443-026-01238-9.
Kaynak türü: Hakemli deneysel makine öğrenmesi / derin öğrenme araştırması.
Ana yöntem: Heterojen çift öğretmenli bilgi damıtımı; logit fusion, AFDS tabanlı uyarlamalı ara özellik seçimi, IDSA, RSHA-Net.
Öğretmen modeller: DPA-Net ve EfficientNet-B1.
Öğrenci: RSHA-Net small ve RSHA-Net large; ana yüksek performanslı sürüm 5,16 milyon parametreli large model.
Veri kümeleri: PlantVillage düşük ışık/gürültü sürümü; Potato Leaf Disease düşük ışık/gürültü sürümü; ReLL-PDD v1.
ReLL-PDD v1: 796 gerçek düşük ışıklı saha görüntüsü; citrus, spinach ve ornamental bitkileri; Sargodha, Pakistan; Aralık 2025–Şubat 2026.
Değerlendirme: Beş katlı cross-validation; her fold %72 eğitim, %8 doğrulama, %20 test.
Optimizer: Adam.
Learning rate: 0,0005.
Batch size: 8.
Maksimum epoch: 100.
Early stopping: Validation accuracy.
Performans metrikleri: Accuracy, macro-precision, macro-recall ve F1-score.
İstatistik: PlantVillage ve ReLL-PDD v1'de beş fold accuracy değerleriyle paired t-test ve Cohen's d.
Edge değerlendirmesi: Jetson TX2, Jetson Orin Nano, Samsung S21 ve masaüstü sistem.
Açıklanabilirlik: Grad-CAM.
LLM modülü: LLaMA 3.2 ile SPPM; yalnız proof-of-concept, uzman doğrulaması yok.
Etik: Kaynak “Not applicable” bildirmiştir.
Finansman: National Research Foundation of Korea; Ministry of Science and ICT; Grant RS-2026-25470264.
Yazar katkıları: Hafiz Ali Hamza Gondal ve Kang Ryoung Park ana makale metnini yazmıştır. Su Jin Im, Muhammad Hamza Tariq, Muhammad Irfan, Muhammad Usman ve Muhammad Ahmad Zeshan deneylere ve doğrulamaya katkıda bulunmuştur. Tüm yazarlar makaleyi gözden geçirmiştir.
Çıkar çatışması: Yüklenen PDF'nin görünür declarations alanında ayrı bir competing-interests beyanı tespit edilmedi; yokluğu varsayılmamıştır.
Veri erişilebilirliği: Ana metindeki GitHub/açık veri ifadesi ile son bölümdeki “No datasets were generated or analysed” beyanı birbiriyle uyuşmamaktadır.
Lisans: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0). Kaynak figürlerin veya sunum düzenlerinin uyarlanmış sürümleri Verianla makalesine taşınmamıştır.
Temel yorum sınırı: Çalışma görüntü sınıflandırma ve edge inference performansını ölçmektedir; bütün gerçek tarımsal ortamlarda kesin tanı başarısını, ürün verimini veya LLM tabanlı pestisit önerilerinin güvenilirliğini doğrulamamaktadır.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir