U-Net Mimarisi (U-Net Architecture)
U-Net, tarımsal bilgisayarli gorude anlamsal segmentasyon için baskin mimaridir. Baslangicta cok sinirli eğitim verisiyle biyomedikal görüntü segmentasyonu için tasarlanmis olan kodlayici-cozucu yapisi ve atlama bağlantılari, etiketlenmis veri setlerinin küçük ve piksel düzeyinde doğruluğun onem tasidigi tarımsal gorevlere olagan ustu iyi bir şekilde aktarilir.
Mimariye Genel Bakis
U-Net simetrik bir sekle sahiptir. Kodlayici (daralan yol), evrisimsel bloklar ve maksimum havuzlama katmanlari aracılığıyla girdiyi kademeli olarak alt-örnekler ve giderek daha soyut özellikler yakalar. Cozucu (genisleyen yol), ters evrisimler aracılığıyla ust-örnekleyerek uzamsal cozunurlugu geri kazanir. Temel yenilik, her kodlayici seviyesindeki özellik haritalarini karsilik gelen cozucu seviyesine birlestiren atlama bağlantılaridir; bunlar, alt-örnekleme sirasinda kaybedilecek ince taneli uzamsal ayrintiyi korur.
Bu kombinasyon, U-Net'in bir görüntüde ne oldugunu (derin dar bogaz özellikleri aracılığıyla) ve nerede oldugunu (atlama bağlantıli yüksek çözünürlüklu özellikler aracılığıyla) ayni anda anlamasini saglar; bu, tarımsal görüntülerde kesin sinirlarin belirlenmesi için temel bir niteliktir.
Varyantlar
U-Net++, yoğun ic ice gecmis atlama bağlantılari sunarak degisen derinlikte birden fazla alt ag oluşturur. Bu mimari, ek hesaplama pahasina segmentasyon doğruluğunu iyilestirir ve hastalık lezyonu belirleme gibi ince sinir ayrintisinin kritik oldugu durumlarda faydalidir.
Dikkat U-Net (Attention U-Net), ilgisiz kodlayici özelliklerini bastirmayi ve belirgin olanlari vurgulamayi öğrenen dikkat kapilari aracılığıyla Attention Mechanisms'i atlama bağlantılarina entegre eder. Bu, modelin ürün bölgelerine odaklanip toprak, enkaz veya golgeleri gormezden gelmesi gereken karisik arka planli tarımsal sahnelerde özellikle faydalidir.
ResUNet, standart evrisimsel bloklari ResNet'ten artik bloklarla degistirerek daha kararli egitilen daha derin aglara olanak tanir. Artik bağlantılar gradyan akisini kolaylastirir ve modelin daha karmaşık özellik temsilleri öğrenmesini saglar; yüksek çözünürlüklu uydu görüntü segmentasyonu için faydalidir.
TransUNet ve Swin-UNet, saf CNN'lerin kacirdigi uzun menzilli uzamsal bagimliliklari yakalamak için donusturucu bloklarini (bkz. Attention Mechanisms) kodlayiciya dahil eder. Bu varyantlar, uydu görüntülernden büyük ölçekli tarla siniri tespiti için özellikle umut vericidir.
U-Net Neden Tarımsal Segmentasyona Hakim
- Küçük veri seti performansi: Orijinal U-Net, milyonlarca degil duzinelerce eğitim görüntüsu için tasarlanmistir. Tarımsal çalışmalar genellikle gorev basina yalnizca birkac yuz etiketlenmis görüntüye sahiptir. Yogun veri arttirma ile U-Net'in atlama bağlantılari, sinirli etiketlerden güçlü genelleme saglar.
- Ince ayrinti yakalama: Atlama bağlantılari, bu tur bağlantılari olmayan mimarilerde yumusatilacak yaprak kenarlari, hastalık lezyonu sinirlari ve dar yabani ot saplarani korur.
- Esnek girdi boyutu: Tamamen evrisimsel tasarim, U-Net'in uydu, IHA ve yer seviyesi tarımsal görüntülerin çeşitli çözünürlüklerine uyum saglayarak rastgele girdi boyutlarini kabul etmesini saglar.
Tarımsal Uygulamalar
Tarla siniri segmentasyonu, uydu görüntülernden bireysel tarımsal parselleri belirlemek için U-Net kullanir; bu, Precision Agriculture icinde ürün alani tahmini ve subvansiyon doğrulamasi için on kosuldur.
Ürün-yabani ot segmentasyonu, U-Net'i her pikseli urun, yabani ot veya toprak olarak sınıflandırmak uzere egitir. Elde edilen haritalar, hassas ilaclama sistemlerinde değişken oranlai herbisit uygulamasini yonlendirir. Daha genis karar cercevesi için Precision Agriculture'ya bakiniz.
Hastalık lezyonu segmentasyonu, yaprak enfeksiyonlarinin alanini ve siddetini olcer. Aydinlatmayi normalllestirmek ve arka planlari kaldirmak için Image Preprocessing ile birlestirildiginde, U-Net tabanli lezyon haritalari hem laboratuvar hem de tarla ortamlarinda otomatik hastalık siddet puanlamasini mumkun kilar.
Kanopi segmentasyonu, Uav Agriculture ortomozaiklerinden bahce veya orman alanlarindaki bireysel ağaç kanopilerini ayirarak ağaç sayimi, kanopi alan ölçümu ve biyokutle tahminini mumkun kilar.
Eğitim Hususlari
Kayip fonksiyonlari tarımsal segmentasyon için önemli ölçüde onem tasir. Standart çapraz entropi dengeli siniflar için çalışır, ancak tarımsal sahneler genellikle yüksek oranda dengesizdir (örneğin, büyük saglikli yaprak alanlarinda küçük hastalık lezyonlari). Dice kaybi, odak kaybi veya birlesik kayip fonksiyonlari bu dengesizligi giderir. Sinirli eğitim setleri goz onune alindiginda cevirme, dondurme, elastik deformasyon ve renk titresmesi yoluyla veri arttirma çoğu zaman gereklidir.
Ingest Edilen Makalelerden Bulgular
ConvLSTM U-Net ile Bitki Hastaligi Sınıflandırmasi
[Alharbi et al., 2023] — Cift yonlu ConvLSTM U-Net (BCDU-Net) mimarisi, bitki yaprak hastalık tespiti için geleneksel U-Net yapisina zamansal bağlamlama katmani ekleyerek yeni bir hibrit yaklasim sunmustur. Dort farkli bitki turunde (Alstonia Scholaris, Arjun, Bael, Jatropha) yapilan deneylerde, onerilen BCDU-Net modeli %100 veri kumesinde Alstonia Scholaris için %96.85, Bael için %98.79, Jatropha için %97.82 ve Arjun için %98.79 doğruluk elde etmistir. Bu değerler, mevcut yöntemlerden (ECPDD, ARMP, PSOFCM, MTFML) %1.5-7 arasi daha yüksektir. Islem suresi acisindan BCDU-Net ortalama 1250-1285 ms ile en hizli sonuçlari vermis, mevcut yöntemler 1400-2000 ms araliginda kalmistir. Cift yonlu ConvLSTM katmaninin hem ileri hem geri yondeki bağlamlari yakalayarak atlama bağlantılariyla birlesmesi, U-Net mimarisinin bitki hastalığı segmentasyonunda hem doğruluk hem de hesaplama verimliligi acisindan gelistirilebilecegini gostermistir.