Bu çalışma, karnabaharın fide döneminden ticari hasada kadar geçen bütün büyüme sürecini RGB görüntülerle takip ederek morfolojik, gelişimsel ve kategorik fenotipleri otomatik çıkarmayı; daha sonra bu özelliklerden karnabahar baş ağırlığını tahmin etmeyi ve 47 germplazm materyalini kapsamlı biçimde değerlendirmeyi amaçlıyor. Araştırmacılar 9.672 geçerli bitki görüntüsünden farklı veri setleri oluşturup Mask R-CNN, HTC, SOLOv2, YOLACT, Mask2Former, YOLOv8s-seg, YOLO11s-seg ve YOLO12s-seg olmak üzere sekiz örnek segmentasyonu modelini karşılaştırıyor; çoklu görevlerde doğruluk-hız dengesi nedeniyle YOLO11s-seg'i ortak temel model olarak seçiyor. Görüntüden hesaplanan bitki genişliği ve karnabahar baş çapının manuel ölçümlerle R²=0,929 ve R²=0,935 düzeyinde uyum göstermesinin ardından, görüntü tabanlı özellikler baş ağırlığı tahmininde kullanılıyor ve kompaktlık tipine göre önce gruplandırma yapan CatBoost stepwise model bağımsız testte R²=0,872 elde ediyor. Buna karşın deney yalnız 47 genotipin tek sera/platform koşulundaki görüntülerine dayanıyor; baş ağırlığı örneklemi görece küçük ve stepwise sistemde kompaktlık sınıflandırıcısının kurulumu yeterince ayrıntılı raporlanmadığı için başka çevre, görüntüleme sistemi ve germplazm koleksiyonlarına genelleme ayrıca doğrulanmalıdır.

Çalışmanın dikkat çekici tarafı yalnız bitkiyi görüntüden segmentlere ayırması değildir. Aynı zaman serisinden bitki genişliği, yaprak alanı, karnabahar baş alanı, baş çapı, baş rengi, yaprak şekli, yaprak rengi, yaprak sapı özelliği, fide dönemi süresi, rozet dönemi süresi, baş olgunlaşma süresi ve toplam büyüme dönemi gibi farklı veri türleri tek bir fenotipleme zincirinde birleştirilmektedir. Nihai hedef, görüntü alımından çeşit/germplazm değerlendirmesine kadar mümkün olduğunca temassız ve yüksek verimli bir analiz süreci oluşturmaktır.

Araştırmanın temel problemi nedir?

Karnabahar ıslahında ve germplazm karakterizasyonunda bitki genişliği, yaprak alanı, baş çapı, renk ve gelişme süresi gibi birçok özellik geleneksel olarak insan gözlemi veya elle ölçüm gerektirir. Bazı ölçümler bitkiyi tamamen yok etmese de işçilik gerektirir; baş ağırlığı gibi özellikler ise hasat ve tartım gerektirdiği için aynı bitkinin daha sonraki gelişiminin izlenmesini sona erdirir.

Çalışmanın çözmeye çalıştığı problem, tek bir zamanda yalnız bir özelliği ölçen bir görüntü modelinden daha geniştir. Araştırmacılar bütün büyüme dönemi boyunca aynı materyali takip eden, bitki ve baş morfolojisini segmentasyonla ölçen, gelişim aşamalarını zaman serisinden hesaplayan, kategorik özellikleri sınıflandıran ve son aşamada baş ağırlığı ile germplazm performansını tahmin/değerlendiren bütünleşik bir sistem kurmayı hedeflemektedir.

Deney materyali ve görüntü toplama sistemi

Çalışmada Fujian Academy of Agricultural Sciences tarafından sağlanan 47 sonbahar ekotipli saf hat karnabahar germplazmı kullanılmıştır. Deney Ekim 2024'te kurumun sera ortamında yürütülmüş ve bitkiler 1,0 m aralıkla yetiştirilmiştir.

RGB görüntüler yüksek verimli saha fenotipleme platformuyla dikey olarak alınmıştır. Ortam ışığındaki değişimin görüntüleri etkilemesini azaltmak için her çekimden önce deney alanının dört köşesi ve merkezi spektrometreyle ölçülmüş; ortalama ışık şiddeti

\[ 120-150\ \mu mol\ m^{-2}\ s^{-1} \]

aralığında kararlı olduğunda görüntüleme başlatılmıştır.

Görüntüler transplantasyondan sonraki ilk günden başlayarak son germplazm baş olgunluğunu tamamlayana kadar her 3 günde bir alınmıştır. Sonuçta fide, rozet ve ticari hasat dönemlerinden toplam 9.672 geçerli bitki görüntüsü üretilmiştir. Ayrıca olgun başlardan 141 görüntü elde edilmiştir. Bütün görüntülerin çözünürlüğü 2096 × 2508 pikseldir.

Şekil 1 veri üretim sürecini nasıl gösteriyor?

Şekil 1'de fenotipleme platformunun sera üzerindeki ray sistemi, RGB görüntüleme ünitesi, zaman içinde alınan bitki görüntüleri ve çoklu etiketleme mantığı aynı şema içinde gösterilmektedir. Aynı görüntü altyapısından farklı veri setleri oluşturulmuştur: büyüme aşaması, yaprak şekli, yaprak rengi, yaprak sapı özelliği ve baş rengi.

Bu yapı çalışmanın temel tasarım ilkesini görselleştirir: her fenotip için ayrı bir sensör sistemi kurmak yerine, standartlaştırılmış RGB görüntüler farklı segmentasyon ve sınıflandırma görevleri için yeniden kullanılmaktadır.

Veri setleri nasıl oluşturuldu?

Önemli bir metodolojik karar, görüntülerin rastgele tek tek bölünmemesidir. Aynı bitkinin farklı tarihlerde çekilen görüntülerinin hem eğitim hem test kümesine düşmesi yapay olarak yüksek performans oluşturabileceği için bölme birimi görüntü değil bireysel bitki olarak seçilmiş ve materyaller eğitim, doğrulama ve test kümelerine 8:1:1 oranında ayrılmıştır.

Hangi segmentasyon modelleri karşılaştırıldı?

Sekiz farklı mimari aynı araştırma içinde karşılaştırılmıştır:

• Mask R-CNN;
• Hybrid Task Cascade (HTC);
• SOLOv2;
• YOLACT;
• Mask2Former;
• YOLOv8s-seg;
• YOLO11s-seg;
• YOLO12s-seg.

Bu seçim iki aşamalı, tek aşamalı ve Transformer tabanlı farklı segmentasyon yaklaşımlarını kapsar. Model değerlendirmesinde yalnız mAP doğruluğu değil, parametre sayısı, FLOPs ve saniyedeki kare sayısı (FPS) da dikkate alınmıştır. Bu nokta önemlidir çünkü yüksek verimli fenotiplemede en yüksek doğruluğa sahip fakat çok yavaş bir model, uygulama açısından en uygun model olmayabilir.

Model eğitim ayarları

Eğitim Windows 11 üzerinde Intel Core i9-13900HX işlemci ve NVIDIA GeForce RTX 4060 GPU ile gerçekleştirilmiştir. Yazılım ortamı Python 3.8.20, PyTorch 2.0.0, torchvision 0.15.1 ve CUDA 11.8 içermektedir.

YOLO11s-seg neden seçildi?

Çalışmanın sonuçları, “en yeni model her zaman en iyidir” biçiminde basit bir sıralama göstermemektedir. Bazı görevlerde Mask2Former veya diğer YOLO modelleri belirli doğruluk metriklerinde YOLO11s-seg'i geçmektedir. Araştırmacıların seçimi, beş görev boyunca istikrarlı doğruluk ve yüksek çalışma hızının birlikte değerlendirilmesine dayanmaktadır.

Şekil 2, 4, 6, 8 ve 9'daki doğruluk-hız grafiklerinde geleneksel modellerin bazı görevlerde yüksek doğruluk sağlayabildiği fakat parametre/FLOP yüklerinin ve çalışma sürelerinin daha yüksek olduğu görülür. YOLO11s-seg'in asıl üstünlüğü tek bir metriği kazanmasından çok çoklu görevlerde dengeli kalmasıdır.

Görsel model karşılaştırmaları ne anlatıyor?

Şekil 3, 5 ve 7 yalnız sayısal mAP değerlerini değil, modellerin gerçek karnabahar görüntülerinde yaptığı hataları da gösterir. Büyüme aşaması örneklerinde bazı modeller rozet dönemini fide veya hasat dönemini rozet olarak sınıflandırmış; YOLACT ve bazı geleneksel modeller parçalı veya eksik sınırlar üretmiştir.

Baş rengi görüntülerinde özellikle yaprak tarafından örtülmüş açık renkli başlar zor örneklerdir. Bazı modeller hedefi kaçırırken veya yalnız görünen kısmı segmentlerken, kaynakta gösterilen temsilî örneklerin tamamında YOLO11s-seg doğru kategori ve daha bütünlüklü sınır üretmiştir.

Yaprak şekli karşılaştırmasında ise benzer morfolojiye sahip kategorilerin ayrılması ve tüm bitki konturunun doğru çizilmesi temel zorluk olarak görünür. Bu görseller, model seçiminin yalnız sınıf etiketi doğruluğuna değil maskenin biçimsel kalitesine de bağlı olduğunu desteklemektedir.

Bitki genişliği ve baş çapı görüntüden nasıl hesaplandı?

Kaynak, görüntü ölçeğinde 1.956 pikselin 100 cm gerçek uzunluğa karşılık geldiğini belirtmektedir. Basılı denklemler aşağıdaki biçimdedir:

\[ PixelArea(cm^2)= \left( \frac{1956}{Width_{100}} \right)^2 \]

\[ LA(cm^2)=PixelArea\times Sum_{Leaf\ Pixel} \]

\[ CA(cm^2)=PixelArea\times Sum_{Curd\ Pixel} \]

\[ PW(cm)= \left( \frac{W_{plant}+H_{plant}}{2} \right) \times \left( \frac{1956}{Width_{100}} \right) \]

\[ CD(cm)= \left( \frac{W_{curd}+H_{curd}}{2} \right) \times \left( \frac{1956}{Width_{100}} \right). \]

Burada LA yaprak alanını, CA baş alanını, PW bitki genişliğini ve CD baş çapını; \(W\) ve \(H\) segmentasyon hedefinin piksel cinsinden sınırlayıcı kutu genişliği ve yüksekliğini göstermektedir.

Kaynak içi formül notu: metin 1.956 pikselin 100 cm'ye karşılık geldiğini ve \(Width_{100}\)'ün 100 cm'ye karşılık gelen piksel sayısı olduğunu söylerken basılı formüllerde \(1956/Width_{100}\) oranının kullanılması ölçek dönüşümü açısından açık değildir. Kaynak formülü burada düzeltilmemiştir. Bu nedenle özellikle alan dönüşümünün yeniden uygulanması gerektiğinde araştırmacıların özgün hesap kodu veya yazar açıklaması olmadan basılı denklem tek başına yeterli kabul edilmemelidir.

Görüntüden alınan ölçüler manuel ölçümle ne kadar uyuştu?

Doğrulama transplantasyondan sonraki 90. günde yapılmıştır. Bitki genişliği analizi 43 germplazmı kapsayan 120 bitki, baş çapı analizi ise görünür başa sahip 35 germplazmdan 87 bitki üzerinde gerçekleştirilmiştir.

Şekil 10'daki saçılım noktaları 1:1 referans çizgisine yakın yoğunlaşmaktadır. Artık histogramları sıfır çevresinde merkezlenmiş, artık-vs-fitted grafiklerinde belirgin yönlü yapı gözlenmemiştir. Kaynağın yorumuna göre bu sonuçlar görüntü tabanlı bitki genişliği ve baş çapının manuel ölçümlerle yüksek uyumunu desteklemektedir.

Büyüme dönemleri görüntülerden nasıl çıkarıldı?

Model her tarihli görüntüde bitkinin fide, rozet veya ticari hasat aşamasını sınıflandırdıktan sonra aynı bitkinin zaman serisi kullanılmıştır.

• SSD: transplantasyondan rozet döneminin ilk tanımlandığı günün öncesine kadar geçen süre;
• RSD: ilk rozet tanımından ilk ticari hasat tanımına kadar geçen süre;
• CMD: ilk ticari hasat tanımından bitkinin hasat edilip görüntüde ilk kez arka plan olarak görünmesine kadar geçen süre;
• GP: transplantasyondan bitkinin ilk kez arka plan olarak tanımlandığı tarihe kadar toplam büyüme dönemi.

Böylece tek tek tarihlerdeki sınıflandırmalar doğrudan gelişim süresi fenotiplerine dönüştürülmüştür.

Fenotipler arasındaki en güçlü ilişkiler hangileri?

Şekil 11'deki korelasyon ısı haritasında bitki büyümesi, baş gelişimi ve baş ağırlığı arasında belirgin ilişkiler görülmektedir. Kaynak tarafından raporlanan başlıca korelasyonlar şunlardır:

Bu ilişkiler korelasyondur; örneğin daha büyük yaprak alanının tek başına baş ağırlığını nedensel olarak artırdığını kanıtlamaz. Ayrıca yaprak şekli, yaprak rengi, yaprak sapı ve baş rengi analizlerde sayı kodlarına çevrilmiştir. Kaynak bu kodların nicel sıra veya üstünlük anlamına gelmediğini açıkça söylediği için bu kategorilerle hesaplanan Pearson korelasyonlarının yorumu özellikle ihtiyatlı yapılmalıdır.

“Kompaktlık” nasıl tanımlandı?

Çalışmada baş kompaktlığı (CC), manuel ölçülen baş ağırlığının görüntüden elde edilen baş alanına oranı olarak tanımlanmıştır:

\[ CC=\frac{CWt}{CA}. \]

Burada CWt baş ağırlığını, CA ise görüntüden türetilen iki boyutlu baş alanını temsil eder. Dolayısıyla bu büyüklük fiziksel üç boyutlu yoğunluğun doğrudan ölçümü değil, çalışmada gruplandırma amacıyla kullanılan ağırlık/alan temelli bir kompaktlık indeksidir.

K-means elbow analizinde WCSS değeri K=1'de 93,55'ten K=2'de 34,37'ye keskin düşmüş ve daha sonra azalma yavaşlamıştır. Bu nedenle K=2 seçilmiştir.

• Loose: kompaktlık çoğunlukla 1,33-3,59;
• Tight: kompaktlık çoğunlukla 3,70-5,75;
• yaklaşık ayrım noktası: 3,6.

Şekil 12'de iki dağılımın farklı bölgelerde yoğunlaşması bu ayrımı görsel olarak desteklemektedir.

Baş ağırlığı neden doğrudan değil iki aşamada tahmin edildi?

Kaynağın hipotezi, aynı iki boyutlu baş alanına sahip iki materyalin kompaktlık yapıları farklıysa ağırlık-alan ilişkisinin de aynı olmayabileceğidir. Bu nedenle iki tahmin stratejisi karşılaştırılmıştır.

Direct: bütün örnekler tek bir regresyon modeliyle tahmin edilir.

Stepwise: önce örneğin Loose veya Tight kompaktlık sınıfı belirlenir, ardından ilgili gruba özel ağırlık regresyon modeli uygulanır.

CatBoost, Random Forest, Linear Regression, SVM/SVR ve MLP olmak üzere beş model ailesi her iki stratejiyle test edilmiştir.

En iyi baş ağırlığı modeli ne kadar başarılıydı?

Tablo 4'e göre en iyi sonuç CatBoost stepwise modelinden gelmiştir:

Kaynak, direct CatBoost'tan stepwise CatBoost'a test R² artışını göreli olarak %7,9 şeklinde ifade etmektedir. Ancak bütün model aileleri aynı davranışı göstermemiştir: Random Forest'ta stepwise R² 0,659'a düşerken direct model 0,779 elde etmiştir. Dolayısıyla bilimsel sonuç “stepwise her durumda daha iyidir” değil, bu veri setinde çoğu model ve özellikle CatBoost için daha iyi sonuç verdiğidir.

Şekil 13'te neden R²=0,775 görülüyor, Tablo 4'te ise 0,872?

Bu iki sayı aynı değerlendirme hesabından gelmemektedir. Tablo 4 bağımsız test-set karşılaştırmasını verirken, kaynak Şekil 13 için 5-fold cross-validation içindeki test tahminlerinin birleştirildiği ayrı bir “overall regression analysis” kullandığını belirtmektedir.

Bu analizde stepwise CatBoost için

\[ R^2=0.775,\qquad RMSE=178.85\ g,\qquad MAE=136.65\ g \]

raporlanmıştır. Direct strateji için R²=0,749 ve RMSE=189,10 g'dır. Kaynak bu metriklerin Tablo 4'teki bağımsız test metrikleriyle tamamen aynı olmayacağını açıkça belirtmektedir.

Bununla birlikte 8:1:1 bölme ile 5-fold “test-set predictions” terminolojisinin nasıl bağlandığı yeterince ayrıntılı verilmediğinden iki değerlendirme protokolünün tam ilişkisi kaynak metinden yeniden üretilememektedir.

Şekil 14 stepwise yaklaşımın mantığını destekliyor mu?

Baş alanı tek başına bütün örneklere doğrusal olarak fit edildiğinde baş ağırlığının açıklanan varyansı yalnız

\[ R^2=0.382 \]

olmuştur. Örnekler kompaktlık sınıflarına ayrıldığında doğrusal ilişkiler farklılaşmıştır:

• Loose grup: R²=0,506;
• Tight grup: R²=0,830.

Şekil 14'te iki grubun regresyon eğimlerinin belirgin biçimde farklı olması, bütün örnekleri tek ilişkiyle açıklamanın heterojenliği gizleyebileceğini gösterir. Bu grafik CatBoost'un kendisini doğrudan doğrulamaz; kaynağın da belirttiği gibi yalnız kompaktlık gruplarının farklı ağırlık-alan ilişkilerine sahip olduğunu görselleştirir.

Stepwise yöntemde önemli bir yeniden üretilebilirlik boşluğu var mı?

Evet. Kaynak, bilinmeyen örneğin önce “compactness-type classifier” ile Loose veya Tight olarak sınıflandırıldığını ve ardından uygun alt regresyonun seçildiğini söylemektedir. Ancak bu sınıflandırıcının hangi fenotipleri giriş olarak kullandığı, hangi model ailesiyle kurulduğu, sınıflandırma başarısı ve K-means etiketlerinin train/test ayrımı içinde nasıl yönetildiği ayrıntılı raporlanmamıştır.

Bu durum stepwise modelin yeniden uygulanmasını güçleştirir. Özellikle kompaktlık etiketinin tanımlanmasında gerçek baş ağırlığı kullanıldığı için, gruplandırmanın yalnız eğitim verisiyle kurulup kurulmadığının açıkça belgelenmesi önemlidir. Kaynak bu ayrıntıyı vermediğinden veri sızıntısı olduğu iddia edilemez; fakat bağımsız dış doğrulama yapılmadan yöntemsel risk de tamamen dışlanamaz.

Akıllı değerlendirme sistemi manuel germplazm değerlendirmesine ne kadar yaklaştı?

İlk aşamada manuel ve akıllı değerlendirme sistemlerinde ortak olan 10 özellik kullanılarak iki ayrı PCA değerlendirmesi yapılmıştır. KMO değerleri manuel sistem için 0,630, akıllı sistem için 0,611 olmuş ve Bartlett küresellik testi her iki sistemde P<0,001 düzeyinde anlamlı bulunmuştur.

İki sistem:

• HCS4 ve HCS3'ü en yüksek performanslı materyaller arasında birlikte tanımlamış;
• ZXHC-117 ve ZXHC-169 gibi düşük puanlı materyaller için benzer değerlendirmeler vermiş;
• ilk 10 materyalde %50;
• ilk 20 materyalde %65;
• son 10 materyalde %80 sıralama örtüşmesi göstermiştir.

Bu sonuç akıllı sistemin manuel sıralamayı birebir kopyaladığını göstermez. Özellikle orta sıralardaki materyallerde farklılıklar bulunmuştur. Kaynağın daha güvenli yorumu, sistemin yüksek ve düşük uçlardaki genel ayrım yönünü belirli ölçüde yeniden üretebildiğidir.

12 özellikli tam değerlendirme sisteminde PCA ne gösterdi?

Otomatik veya sistem tarafından kullanılan 12 özellik üzerinden yapılan PCA'da KMO=0,679 ve Bartlett testi

\[ \chi^2=475.529,\qquad df=66,\qquad P<0.001 \]

olarak raporlanmıştır.

PC1 özellikle yaprak alanı, baş çapı, baş alanı, bitki genişliği, baş ağırlığı ve baş rengi kodunda yüksek pozitif yükler taşımaktadır ve kaynak bunu büyüme-baş gelişimi/verim ekseni olarak yorumlamaktadır.

Ancak yaprak şekli, yaprak rengi, yaprak sapı ve baş rengi gibi kategorik özelliklerin sayısal kodlarının yalnız kategori etiketi olduğu kaynakta açıkça belirtilmiştir. Bu kodların PCA'da sürekli nicel değişken gibi kullanılmasının sonuçları kaynak tarafından ayrıca sınanmamıştır. Bu nedenle bileşenlerin kategorik özelliklere ait yükleri gerçek fiziksel “mesafe” veya doğrusal fenotip gradyanı olarak yorumlanmamalıdır.

47 germplazm nasıl gruplandı?

12 özellik kullanılarak gerçekleştirilen kümeleme 47 materyali dört gruba ayırmıştır:

• Grup I: kapsamlı olarak dengeli tip;
• Grup II: yüksek baş ağırlıklı ve görece geç olgunlaşan tip;
• Grup III: büyük bitki, büyük baş ve yüksek verim özellikli özel tip;
• Grup IV: küçük bitki, küçük baş ve erken olgunlaşan tip.

Grup III yalnız HCS4 materyalini içermiştir. Kaynak bu materyal için bitki genişliğini 152,26 cm, yaprak alanını 15.146,80 cm², baş alanını 514,14 cm², baş çapını 26,51 cm, baş olgunlaşma süresini 27 gün ve baş ağırlığını 2.582,27 g olarak raporlamaktadır.

Grup IV ise çoğu nicel özellikte en düşük değerlere ve 94,58 günlük en kısa ortalama büyüme dönemine sahip grup olarak tanımlanmıştır.

Kapsamlı puanlamada hangi materyaller öne çıktı?

Dört ana bileşenin varyans katkıları kullanılarak oluşturulan kapsamlı faktör skorları -1,02 ile 1,87 arasında değişmiştir.

Bu sıralama kaynakta tanımlanan 12 özellik ve kullanılan PCA ağırlıkları bağlamındadır. “En iyi çeşit” gibi evrensel bir tarımsal üstünlük anlamına gelmez; farklı yetiştirme çevreleri veya ıslah hedefleri farklı öncelikler doğurabilir.

Geliştirilen yazılım platformu ne yapıyor?

Şekil 16 üç ana modüllü bir ön yüz uygulamasını göstermektedir:

• Fenotip çıkarımı: tek zamanlı görüntüleri toplu yükleyerek büyüme dönemi, bitki genişliği, yaprak alanı, yaprak şekli, yaprak rengi, yaprak sapı, baş alanı, baş çapı ve baş rengini çıkarır ve Excel'e aktarır;
• Büyüme dönemi analizi: standart fenotip dosyalarından SSD, RSD, CMD ve GP sürelerini hesaplar;
• Baş ağırlığı tahmini: önceden tanımlanan CatBoost stepwise modeliyle ağırlık tahmini yapar.

Görsel kaynak notu: Şekil 16'daki uygulama ekranında “Broccoli Phenotype Analysis Platform” başlığı görünmektedir. Çalışmanın başlığı, materyali ve bütün yöntem bölümü cauliflower/karnabahar üzerine olduğundan bu arayüz etiketi kaynak içindeki bir isimlendirme tutarsızlığıdır; Verianla tarafından sessizce düzeltilmiş bir kaynak verisi değildir.

Çalışmanın desteklediği sonuçlar

• İncelenen sera ve görüntüleme koşullarında YOLO11s-seg çoklu karnabahar fenotipleme görevlerinde güçlü bir doğruluk-hız dengesi sağlamıştır.
• Görüntüden çıkarılan bitki genişliği ve baş çapı, seçilen doğrulama örneklerinde manuel ölçümlerle R²>0,92 uyum göstermiştir.
• Görüntü zaman serisinden fide, rozet, baş olgunluğu ve toplam büyüme süresi gibi gelişimsel fenotipler hesaplanabilmiştir.
• İncelenen materyallerde baş ağırlığı baş morfolojisi, bitki büyüklüğü ve bazı gelişim süreleriyle anlamlı korelasyon göstermiştir.
• CatBoost stepwise modeli çalışma içindeki bağımsız test değerlendirmesinde en yüksek R² değerini, 0,872'yi elde etmiştir.
• Kompaktlık grupları baş alanı-ağırlık ilişkisindeki heterojenliği görünür hale getirmiştir.
• Dört PCA bileşeni kullanılan 12 özellikteki varyansın %79,587'sini açıklamıştır.
• 47 germplazm kaynağın tanımladığı fenotipik özellikler üzerinden dört farklı gruba ayrılabilmiştir.

Çalışmanın desteklemediği veya kanıtlamadığı sonuçlar

• YOLO11s-seg'in bütün karnabahar tarlaları, kameralar veya çevresel koşullar için evrensel olarak en iyi segmentasyon modeli olduğu gösterilmemiştir.
• CatBoost stepwise modelinin başka çeşitlerde veya başka yetiştirme ortamlarında R²=0,872 performansını koruyacağı kanıtlanmamıştır.
• Baş ağırlığı gerçek anlamda tamamen görüntüden doğrudan ölçülmemektedir; model ağırlığı diğer fenotiplerden tahmin etmektedir.
• Çalışmanın kullandığı kompaktlık indeksi üç boyutlu fiziksel doku yoğunluğunun doğrudan ölçümü değildir.
• Korelasyonlar herhangi bir fenotipin baş ağırlığında nedensel artış oluşturduğunu kanıtlamaz.
• Kategorik kodlar arasındaki sayısal farklar biyolojik olarak eşit aralıklı nicel fenotip farkları anlamına gelmez.
• Akıllı germplazm puanlaması manuel değerlendirmeyi birebir yeniden üretmemiş; özellikle orta sıralardaki materyallerde farklılıklar görülmüştür.
• Tek sera, tek görüntüleme platformu ve sınırlı genotip koleksiyonuyla elde edilen sonuçlar çok çevreli ıslah denemelerinin yerine geçmez.

Çalışmanın Yöntemi ve Bulguları

1. Bütün büyüme döneminin görüntülenmesi

47 germplazm transplantasyondan olgunluğa kadar üç günlük aralıklarla görüntülenmiş ve 9.672 geçerli RGB bitki görüntüsü oluşturulmuştur. Görüntü alma sırasında ortam ışığı 120-150 μmol m^-2 s^-1 aralığında tutulmaya çalışılmıştır. Böylece model performansında görüntüleme koşullarından kaynaklanan değişkenliğin azaltılması hedeflenmiştir.

2. Bitki düzeyinde veri ayrımı

Büyüme aşaması veri seti için 3.363 görüntü altı günlük aralıklarla seçilip Labelme ile maskelenmiştir. Aynı bitkinin farklı günlerdeki görüntülerinin farklı veri bölmelerine girmesini engellemek için split işlemi bitki kimliği düzeyinde yapılmış ve oran 8:1:1 olarak belirlenmiştir.

3. Sekiz segmentasyon mimarisinin taranması

Model karşılaştırmasında mAPbox50, mAPbox50-95, mAPmask50 ve mAPmask50-95 doğruluk ölçütleri; Params, FLOPs ve FPS ise hesaplama maliyeti/deployment ölçütleri olarak kullanılmıştır.

Büyüme aşaması görevinde YOLO11s-seg %93,0 mAPmask50-95 ile 86,96 FPS'ye ulaşmıştır. Baş rengi görevinde 96,15 FPS; yaprak sapı görevinde ise %98,70 mAPmask50-95 ve 91,74 FPS raporlanmıştır.

Mask2Former özellikle yaprak şekli ve yaprak rengi gibi bazı görevlerde en yüksek doğruluk sonuçlarını vermiştir; ancak yaklaşık 9-10 FPS düzeyindeki hızı yüksek verimli fenotipleme açısından araştırmacılar tarafından dezavantaj kabul edilmiştir. Son seçim bu nedenle tek bir doğruluk tablosuna değil, görevler arası dengeye dayanmıştır.

4. Segmentasyondan fiziksel fenotiplere geçiş

YOLO11s-seg maskelerinden bitki ve baş pikselleri çıkarılmış; Cal-area modülü kullanılarak bitki genişliği, yaprak alanı, baş çapı ve baş alanı hesaplanmıştır. Basılı ölçek dönüşüm denklemlerinde kaynak içi tutarsızlık bulunduğundan, bu denklemler dışarıdan düzeltilmiş biçimde kullanılmamıştır.

Doğrudan doğrulama, görüntüden türetilen değerlerin manuel ölçümlerle karşılaştırılmasıyla yapılmış ve bitki genişliğinde R²=0,929, baş çapında R²=0,935 elde edilmiştir.

5. Zaman serisinden gelişim fenotiplerinin çıkarılması

Aynı bitkinin ardışık görüntülerindeki ilk fide-rozet-hasat sınıf değişimleri kullanılarak SSD, RSD, CMD ve GP süreleri hesaplanmıştır. Böylece segmentasyon/sınıflandırma çıktısı yalnız morfolojik özellik değil, gelişim zamanı fenotipine dönüştürülmüştür.

6. Kategorik özelliklerin kodlanması

Kaynak dört kategorik özelliği istatistiksel sunum amacıyla sayı kodlarına çevirmiştir:

Kaynağın kendi açıklamasına göre bu sayılar yalnız kategori kodudur; sürekli nicelik, kalite veya üstünlük sırası değildir. Bu nedenle daha sonraki korelasyon ve PCA sonuçlarında kategorik kodların sayısal büyüklüğüne fiziksel anlam yüklenmemelidir.

7. Baş ağırlığı tahmininin kurulması

Baş ağırlığı için CatBoost, Random Forest, Linear Regression, SVM ve MLP modelleri denenmiştir. Veriler 8:1:1 olarak bölünmüş ve eğitim aşamasında 5-fold cross-validation kullanılmıştır.

Direct strateji bütün materyallere tek regresyon uygular. Stepwise strateji önce baş ağırlığı/baş alanı oranından türetilen kompaktlık üzerinden Loose ve Tight tiplerini oluşturur, ardından tip-spesifik regresyonlar kullanır.

Tablo 4'te CatBoost stepwise en iyi performansı vermiştir:

\[ R^2_{test}=0.872 \]

\[ RMSE=155.05\ g,\qquad MAE=126.24\ g,\qquad MAPE=12.44\%. \]

Bu sayıların yorumu çalışmanın kendi veri bölmesiyle sınırlıdır. Cross-environment veya cross-platform dış doğrulama gerçekleştirilmemiştir.

8. Genel regresyon analizi

Kaynağın 5-fold tahminlerini birleştirerek yaptığı ayrı genel analizde stepwise CatBoost R²=0,775 ve RMSE=178,85 g vermiştir. Şekil 13'te tahmin ve ölçüm değerleri genel olarak pozitif doğrusal ilişki gösterse de yüksek ağırlıklardaki örnek sayısı daha azdır ve dağılım homojen değildir.

Bu R², Tablo 4'teki 0,872 değerinin yerine geçen bir sayı değildir; kaynak iki analizi farklı değerlendirme prosedürleri olarak sunmaktadır.

9. K-means ve baş yapısındaki heterojenlik

Kompaktlık indeksinin K-means analizi K=2'de belirgin elbow oluşturmuş ve materyaller Loose/Tight olarak ayrılmıştır. Bütün örneklerde baş alanı-ağırlık doğrusal ilişkisi R²=0,382 iken Tight grubunda R²=0,830'a çıkmıştır. Kaynak bu heterojenliği stepwise modellemenin gerekçelerinden biri olarak değerlendirmektedir.

10. PCA ve kapsamlı germplazm değerlendirmesi

12 özellik üzerinde yürütülen PCA dört ana bileşen üretmiş ve kümülatif açıklanan varyans %79,587 olmuştur. Bu bileşenler kullanılarak kapsamlı skor hesaplanmış; HCS4 1,87 ile en yüksek, ZXHC-117 -1,02 ile en düşük skor olarak raporlanmıştır.

Kümeleme analizi 47 materyali dört gruba bölmüştür. Şekil 15'teki ısı haritasında Grup III'ün yalnız HCS4'ten oluşması ve birçok büyüme/baş fenotipinde yüksek standardize değerlere sahip olması görsel olarak belirgindir.

11. Fenotipleme yazılım platformu

Çalışmanın son aşamasında görüntü yükleme, fenotip çıkarımı, gelişim dönemi analizi ve CatBoost ağırlık tahminini bir araya getiren ön yüz uygulaması oluşturulmuştur. Sistem sonuçları Excel biçiminde dışarı aktarabilmektedir.

Bu platformun çalışma içinde gösterilmesi, araştırmanın yalnız model doğruluğu karşılaştırmasında kalmayıp uçtan uca kullanım prototipi geliştirmeye çalıştığını göstermektedir. Ancak arayüzde görünen “Broccoli Phenotype Analysis Platform” başlığı kaynakta açıklanmayan bir isimlendirme uyumsuzluğudur.

12. Başlıca güçlü yönler

• Aynı materyallerin bütün büyüme dönemi boyunca tekrarlı görüntülenmesi;
• aynı bitkinin görüntülerinin farklı veri bölmelerine düşmesini engelleyen plant-level split;
• sekiz segmentasyon mimarisinin aynı görev ailesinde karşılaştırılması;
• morfolojik, gelişimsel ve kategorik özelliklerin aynı zincirde birleştirilmesi;
• görüntü ölçümlerinin manuel ölçümlerle doğrudan doğrulanması;
• baş ağırlığı gibi destrüktif bir özelliği görüntü tabanlı diğer fenotiplerden tahmin etmeye çalışması;
• segmentasyon sonuçlarının PCA, kümeleme ve germplazm değerlendirmesine kadar taşınması;
• analizin kullanılabilir bir yazılım arayüzüne dönüştürülmesi.

13. Başlıca sınırlılıklar

• 47 germplazm ve tek sera/görüntüleme platformu kullanılmıştır.
• Baş ağırlığı tahmini için örneklem büyüklüğü sınırlıdır.
• Çevreler, yıllar ve farklı kamera/platformlar arasında dış doğrulama yapılmamıştır.
• Basılı piksel-fiziksel ölçek dönüşümü denklemlerinde kaynak içi tutarsızlık bulunmaktadır.
• Basılı R²/RMSE denklem gösterimlerinde matematiksel/notasyon sorunları bulunmaktadır.
• Stepwise modelde compactness-type classifier'ın ayrıntıları ve performansı yeterince raporlanmamıştır.
• K-means gruplarının train/test ayrımına göre nasıl fit edildiği açık değildir.
• Kategorik kodlar sürekli nicelik olmadığı halde korelasyon ve PCA analizlerine sayısal olarak dahil edilmiştir.
• Genel cross-validation regresyonu ile bağımsız test değerlendirmesinin ilişkisi tamamen açık değildir.
• Yazılım arayüzündeki “Broccoli” etiketi çalışmanın cauliflower materyaliyle uyuşmamaktadır.

Türkiye açısından ne ifade ediyor?

Bu çalışma Çin'deki Fujian Academy of Agricultural Sciences bünyesindeki belirli sera, kamera geometrisi ve 47 germplazm üzerinde gerçekleştirilmiştir. Türkiye'deki karnabahar ıslah programlarına doğrudan aynı R² veya segmentasyon doğruluğunun aktarılması bilimsel olarak doğru olmaz.

Türkiye koşullarında uygulanmak istenirse yerel karnabahar genotipleri, farklı sera ve açık tarla koşulları, güneşlenme ve gölge değişimi, dikim yoğunluğu, yaprak örtüşmesi, kamera yüksekliği ve optiği ile yerel hasat kriterleri üzerinden yeniden görüntü toplama ve dış doğrulama gerekir. Çalışmanın katkısı Türkiye için hazır bir performans garantisinden çok, bu tür bir yerel fenotipleme sisteminin nasıl kurulabileceğine ilişkin yöntemsel bir çerçevedir.

Kaynak ve Yöntem Notu

Özgün çalışma: A deep learning-based pipeline for multi-trait phenotyping, curd weight prediction and germplasm evaluation in cauliflower across the whole growth period

Yazarlar: Saichuan Cheng; Qingqing Shao; Mindong Chen; Jianting Liu; Boyin Qiu; Haisheng Zhu.

Sorumlu yazar: Haisheng Zhu.

Eş katkı/eş birinci yazarlık: Yüklenen kaynakta böyle bir beyan bulunmamaktadır.

Afiliyasyon: Fujian Key Laboratory of Vegetable Genetics and Breeding, Crops Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou 350003, China.

Kaynak türü: Preprint araştırma çalışması.

Hakemlik durumu: Bu çalışma bir preprinttir ve hakem değerlendirmesinden geçmemiştir. Yüklenen dosyada bu durum her sayfada açıkça belirtilmektedir.

Yayın platformu: SSRN.

SSRN kimliği: 6837411.

DOI: 10.2139/ssrn.6837411

SSRN yayın tarihi: 27 Mayıs 2026.

Sayfa sayısı: SSRN kaydında 45 sayfa.

Dergi / cilt / sayı: Doğrulanmış hakemli dergi sürümü bulunmadığından uygulanabilir değildir.

Resmî bağlantı: SSRN Abstract 6837411 kayıt sayfası.

Açık erişim/lisans: Yüklenen çalışmada genel yeniden kullanıma izin veren Creative Commons türü açık bir lisans tespit edilmemiştir. Bu nedenle kaynak figürleri doğrudan yeniden yayımlanmamıştır.

Finansman: Yüklenen dosyada ayrı bir finansman beyanı tespit edilmemiştir.

Veri erişilebilirliği: Yüklenen dosyada ayrı bir Data Availability beyanı veya açık veri deposu tespit edilmemiştir.

Çıkar çatışması: Yüklenen dosyada ayrı bir çıkar çatışması beyanı tespit edilmemiştir.

CRediT/yazar katkıları: Yüklenen dosyada ayrı bir CRediT katkı beyanı tespit edilmemiştir.

Deney materyali: 47 sonbahar ekotipli saf hat karnabahar germplazmı; Ekim 2024; Fujian Academy of Agricultural Sciences sera ortamı.

Görüntüleme: 9.672 geçerli bitki RGB görüntüsü; ayrıca 141 olgun baş görüntüsü; 2096 × 2508 piksel çözünürlük; üç günlük görüntüleme aralığı.

Segmentasyon modelleri: Mask R-CNN, HTC, SOLOv2, YOLACT, Mask2Former, YOLOv8s-seg, YOLO11s-seg ve YOLO12s-seg.

Seçilen temel model: YOLO11s-seg; seçim tek bir maksimum doğruluk metriğinden ziyade çoklu görevlerde segmentasyon doğruluğu, inference hızı ve model karmaşıklığı dengesi üzerinden yapılmıştır.

Baş ağırlığı modelleri: CatBoost, Random Forest, Linear Regression, SVM/SVR ve MLP; direct ve compactness tabanlı stepwise stratejiler karşılaştırılmıştır.

En yüksek raporlanan bağımsız test performansı: CatBoost stepwise, R²=0,872; RMSE=155,05 g; MAE=126,24 g; MAPE=%12,44.

Kaynak içi ölçek formülü notu: Metinde 1.956 pikselin 100 cm'ye karşılık geldiği belirtilirken Eşitlik (1), (4) ve (5)'teki oranlar bu tanımla açık biçimde uzlaştırılamamaktadır. Kaynak formülü sessizce düzeltilmemiştir.

Kaynak içi istatistik formülü notu: Basılı R² Eşitliği (6) standart R² tanımıyla uyuşmayan bir gösterime sahiptir. RMSE Eşitliği (7)'nde kullanılan k sembolü de açıklama metnindeki p tanımıyla uyumsuzdur. Raporlanan sonuç metrikleri kaynaktaki sayılarla aktarılmış, bu denklemler dışarıdan düzeltilmemiştir.

Kategorik veri notu: Kaynak LS, LC, PT ve CCOL için kullanılan sayıların yalnız kategori kodu olduğunu ve sürekli nicel ilişki göstermediğini açıkça belirtmesine rağmen bu değişkenleri daha sonra korelasyon ve PCA analizlerine dahil etmektedir. Bu nedenle kategorik yük/korelasyon sonuçları temkinli yorumlanmalıdır.

Stepwise model raporlama sınırı: Compactness-type classifier'ın girdileri, algoritması, sınıflandırma performansı ve K-means fit işleminin cross-validation/test ayrımı içindeki kesin yeri kaynakta ayrıntılı biçimde verilmemiştir. Bu nedenle yöntem tamamen yeniden üretilebilir düzeyde raporlanmış değildir.

Değerlendirme protokolü notu: Kaynak 8:1:1 bağımsız bölme ve 5-fold cross-validation yaklaşımını birlikte kullanmakta; daha sonra fold test tahminlerini birleştiren ayrı bir genel regresyon analizi sunmaktadır. Bu nedenle Tablo 4 test R² değerleri ile Şekil 13 genel R² değerleri birbirinin yerine kullanılmamalıdır.

Arayüz notu: Şekil 16'da uygulama “Broccoli Phenotype Analysis Platform” olarak etiketlenmiş olsa da çalışma cauliflower/karnabahar üzerinedir. Bu görünür kaynak uyumsuzluğu düzeltilmeden rapor edilmiştir.

Bilimsel genelleme sınırı: Sonuçlar tek sera, tek görüntüleme sistemi, sınırlı germplazm ve görece küçük baş-ağırlığı örneklemiyle elde edilmiştir. Farklı coğrafya, sezon, kamera, dikim sistemi ve genetik materyalde dış doğrulama yapılmadan aynı performansın korunacağı varsayılamaz.

Kaynak sadakati: Bu Verianla içeriğindeki deney düzeni, modeller, formüller, fenotipler, sayısal sonuçlar, grafik yorumları, germplazm grupları ve metodolojik sınırlılıklar yüklenen 45 sayfalık çalışmaya dayanmaktadır. Harici kaynaklardan bilimsel bulgu eklenmemiş; dış kaynak yalnız çalışma kimliği, SSRN tarihi, DOI, yazar sırası ve yayın durumunun bibliyografik doğrulanmasında kullanılmıştır.