Geri Dön

Turunçgil yeşillenme hastalığının yapay zeka ile tespiti

Detection of citrus greening disease using artificial intelligence

PDF İndir

  1. Tez No: 1009883
  2. Yazar: TURGUT FELEK
  3. Danışmanlar: PROF. DR. AHMET KÜRKLÜ, PROF. DR. HÜSEYİN BASIM
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Ziraat, Computer Engineering and Computer Science and Control, Agriculture
  6. Anahtar Kelimeler: Akıllı tarım, Bitki patolojisi, Derin öğrenme, Turunçgil yaprak galerigüvesi, Turunçgiller, Yapay zeka ve makine öğrenmesi dersi, Yeşillenme, Zararlı böcekler, Üstveri, Smart agriculture, Phytopathology, Deep learning, Citrus leafminer, Citrus fruits, Artificial intelligence and machine learning course, Greening, Insect pests, Metadata
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Tarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Turunçgil yeşillenmesi (Huanglongbing, HLB), yönetimi güç ve ekonomik etkisi yüksek bir hastalık olup; etmenin floem dokusunda yerleşmesi ve bitki içinde düzensiz dağılım göstermesi, uzun inkübasyon süresi ve sahada gözlenen simptomların besin elementi eksiklikleri gibi abiyotik streslerle benzerlik gösterebilmesi nedeniyle erken dönemde güvenilir tanıyı zorlaştırmaktadır. HLB epidemiyolojisinde kritik unsur, etmenin vektörler ve enfekteli üretim materyali aracılığıyla taşınabilmesidir. Bu tez çalışması, HLB hastalığı ve vektörü Diaphorina citri için saha koşullarına uyumlu, ölçeklenebilir ve yapay zeka tabanlı bir karar destek yaklaşımının geliştirilmesini amaçlamaktadır. Yöntemsel çerçeve iki tamamlayıcı ana görev üzerine kurulmuştur: (i) turunçgil yaprak görüntülerinden hastalık ve abiyotik stres faktörlerinin çok sınıflı sınıflandırılması, (ii) Diaphorina citri vektörünün ergin ve nimf evrelerinde nesne tespiti. Görüntüler, saha koşullarında orijinal çözünürlükte; farklı açılar ve farklı aydınlatma koşulları altında (doğal gün ışığı, kısmi gölge alanlar ve değişken çevresel arka planlar) kaydedilmiştir. Aynı bahçelerde dönemsel olarak tekrar çekimler yapılarak, hastalık ve besin elementi eksikliği belirtilerinin zamansal değişkenliğinin veri setine yansıtılması hedeflenmiştir. Veri seti, Türkiye ve Kuzey Kıbrıs Türk Cumhuriyeti sınırları içerisindeki farklı lokasyonlardan elde edilen özgün saha görüntülerinden oluşturulmuştur. Görüntülerin toplandığı başlıca lokasyonlar; Türkiye'de Antalya ili (Kumluca—Mavikent mevkii, Muratpaşa—Batı Akdeniz Tarımsal Araştırma Enstitüsü bahçeleri, Manavgat ve Alanya ilçeleri), Hatay ili Erzin ilçesi ve KKTC'de Güzelyurt bölgesidir. Toplanan görüntüler, turunçgil hastalıkları konusunda deneyimli iki fitopatoloji uzmanı tarafından bağımsız olarak etiketlenmiştir. Sınıflandırma görevi için oluşturulan genişletilmiş veri seti toplam 9 sınıftan oluşmaktadır: Turunçgil Yeşillenmesi (HLB), Sağlıklı Yaprak, Antraknoz, Turunçgil Kanseri (Canker), Yaprak Kıvrılması (Curl) ve Fe–Mg–Mn–Zn besin elementi eksiklikleri. Sınıf dengesizliğini azaltmak amacıyla eğitim verileri üzerinde kontrollü veri zenginleştirme uygulanmış; augmentasyon sonrası toplam görüntü sayısı 11.122'ye ulaşmıştır. Modelin genelleme yeteneğini değerlendirmek amacıyla veri seti %80 eğitim, %10 doğrulama ve %10 test olacak şekilde, sınıf dağılımı korunarak (stratified split) ayrıştırılmış; bağımsız test kümesi n=1112 olarak raporlanmıştır. Çok sınıflı sınıflandırma için Swin Transformer mimarisi ImageNet ön-eğitimli ağırlıklarla başlatılarak ince ayar yapılmıştır. Performans değerlendirmesi Accuracy, Precision, Recall, F1-skoru ve Macro-F1 metrikleri ile gerçekleştirilmiş; ayrıca test kümesinden kaynaklanabilecek örnekleme belirsizliğini nicel olarak ifade edebilmek amacıyla bootstrap örnekleme (B=5000) ile güven aralıkları hesaplanmıştır. Model kararlılığı, üç farklı rastgele tohum (seed) ile yeniden eğitim yapılarak değerlendirilmiştir. Bağımsız test kümesinde modelin genel doğruluğu (Accuracy) %98,3 düzeyinde elde edilmiş; Macro-F1 değeri 0.981 olarak hesaplanmıştır. HLB sınıfı için Precision=0.985, Recall=0.985 ve F1-skoru=0.985 elde edilmiş; mikro besin eksikliği sınıflarında F1-skorları Zn=0.989, Mg=0.984, Mn=0.989 ve Fe=0.979 olarak raporlanmıştır. HLB'ye ilişkin risk analizi kapsamında, test kümesinde FN oranı %1,48 (4/271) ve FP oranı %0,36 (4/1112) olarak hesaplanmıştır. Çoklu seed analizinde Accuracy=0.980±0.001 ve Macro-F1=0.981±0.001 düzeyinde kararlılık gözlenmiştir. Bootstrap analizi sonucunda Accuracy için %95 güven aralığı [0.9739–0.9910] ve Macro-F1 için %95 güven aralığı [0.9777–0.9957] olarak raporlanmıştır. Nesne tespiti görevi için, sınıflandırma veri setinden bağımsız olarak oluşturulan vektör alt veri seti iki sınıfı (ergin ve nimf) kapsamaktadır. Bu alt veri setinde toplam görüntü sayısı 500, toplam bounding box sayısı 1284 olarak verilmiş ve COCO formatında dışa aktarılmıştır. Vektör tespiti için Transformer tabanlı RF-DETR (Large) mimarisi kullanılmış; performans mAP@50 metriği ile özetlenmiştir. Bağımsız saha testlerinde genel tespit başarısı mAP@50=%88; sınıf bazında ergin bireylerde %93 AP ve nimf evresinde %83 AP olarak raporlanmıştır. Sonuç olarak, sahadan toplanan ve coğrafi/çevresel çeşitlilik içeren görüntüler üzerinde eğitilen Swin Transformer tabanlı çok sınıflı sınıflandırma modeli, HLB ve benzer görsel paternler üretebilen abiyotik stres sınıfları arasında yüksek ayırıcı performans sergilemiştir. Diaphorina citri vektörünün ergin ve nimf evrelerinde nesne tespiti bulguları ile değerlendirildiğinde, tez kapsamında geliştirilen yaklaşımın“Citrus Diagnosis AI”karar destek sisteminin temelini oluşturacak biçimde, saha taramalarında ön eleme ve raporlama amaçlı kullanılabilir bir çerçeve sunduğu; bununla birlikte saha verilerinin doğasına bağlı sınırlılıkların ve dış doğrulama gereksiniminin dikkate alınması gerektiği değerlendirilmiştir.

Özet (Çeviri)

Citrus greening disease (Huanglongbing, HLB) is a difficult-to-manage and economically devastating disease. Reliable early diagnosis is challenging because the pathogen colonizes the phloem tissue, exhibits an uneven distribution within the plant, has a long incubation period, and field symptoms may resemble abiotic stresses such as micronutrient deficiencies. A critical aspect of HLB epidemiology is the transmission of the pathogen via vectors and infected propagation material. This doctoral thesis aims to develop a scalable, field-adaptable, artificial intelligence–based decision support approach for HLB and its vector Diaphorina citri. The methodological framework is built on two complementary tasks: (i) multiclass classification of diseases and abiotic stress factors from citrus leaf images, and (ii) object detection of Diaphorina citri at adult and nymphal stages. Images were acquired under field conditions at their original resolution across different viewpoints and illumination settings (natural daylight, partial shade, and variable environmental backgrounds). Periodic re-acquisition in the same orchards was performed to reflect the temporal variability of disease and micronutrient deficiency symptoms in the dataset. The dataset was constructed from original field images collected from multiple locations in Türkiye and the Turkish Republic of Northern Cyprus (TRNC). The main collection sites included Antalya Province in Türkiye (Kumluca—Mavikent area, Muratpaşa—Western Mediterranean Agricultural Research Institute orchards, and the districts of Manavgat and Alanya), Hatay Province, and the Güzelyurt region in the TRNC. All images were independently annotated by two experienced plant pathologists specialized in citrus diseases. The expanded dataset for the classification task comprised nine classes: Citrus Greening (HLB), Healthy Leaf, Anthracnose, Citrus Canker, Leaf Curl, and micronutrient deficiencies of Fe, Mg, Mn, and Zn. To mitigate class imbalance, controlled data enrichment was applied to the training data; following augmentation, the total number of images reached 11,122. To evaluate generalization, the dataset was split into 80% training, 10% validation, and 10% testing using stratified sampling, and the independent test set size was reported as n = 1112. For multiclass classification, a Swin Transformer architecture was fine-tuned starting from ImageNet pre-trained weights. Performance was assessed using Accuracy, Precision, Recall, F1-score, and Macro-F1 metrics. In addition, bootstrap resampling (B = 5,000) was used to compute confidence intervals in order to quantify sampling uncertainty in the test set. Model stability was evaluated by retraining the model using three different random seeds. On the independent test set, the model achieved an overall Accuracy of 98.3%, with a Macro-F1 of 0.981. For the HLB class, Precision = 0.985, Recall = 0.985, and F1-score = 0.985 were obtained. For micronutrient deficiency classes, F1-scores were reported as Zn = 0.989, Mg = 0.984, Mn = 0.989, and Fe = 0.979. As part of the risk analysis for HLB, the false negative (FN) rate in the test set was calculated as 1.48% (4/271), and the false positive (FP) rate as 0.36% (4/1,112). In the multi-seed analysis, stability was observed at Accuracy = 0.980 ± 0.001 and Macro-F1 = 0.981 ± 0.001. The bootstrap analysis reported 95% confidence intervals of [0.9739–0.9910] for Accuracy and [0.9777–0.9957] for Macro-F1. For the object detection task, a vector sub-dataset independent of the classification dataset was created with two classes (adult and nymph). In this sub-dataset, the total number of images was 500 and the total number of bounding boxes was 1284, exported in COCO format. For vector detection, a Transformer-based RF-DETR (Large) architecture was used, and performance was summarized using the mAP@50 metric. In independent field tests, the overall detection performance was mAP@50 = 88%; class-wise results were 93% AP for adults and 83% AP for nymphs. In conclusion, the Swin Transformer–based multiclass classification model trained on field-acquired images with geographic and environmental variability demonstrated high discriminative performance between HLB and abiotic stress classes producing similar visual patterns. Together with the object detection results for Diaphorina citri at adult and nymph stages, the proposed approach provides an applicable framework for triage and reporting in field screenings, forming the basis of the“Citrus Diagnosis AI”decision support system. Nevertheless, limitations inherent to field data and the need for external validation should be taken into account.

Geri Dön