1.9 Zararlı Tespiti (Pest Detection)

1. Problem Tanımı ve Sistemik Etki

Tarımsal zararlılar, küresel gıda üretimini tehdit eden en yaygın biyotik stres faktörlerinden biridir. FAO'nun 2021 raporuna göre zararlı böcekler, patojenler ve yabancı otlar nedeniyle küresel bitkisel üretimin %20-40'ı her yıl kaybedilmektedir; yalnızca böcek zararlılarının payı tahminen yıllık 70 milyar USD doğrudan ekonomik kayba karşılık gelmektedir. Tropik ve subtropik bölgelerde bu oran daha da yüksektir: Afrika'da mısır kök kurdu (Diabrotica spp.) kaynaklı kayıplar bazı yıllarda toplam hasadın %30'unu aşmaktadır.

Geleneksel zararlı izleme yöntemleri dört temel kısıtlamaya sahiptir:

• Emek yoğunluğu: Yapışkan tuzakların (sticky trap) manuel sayımı, eğitimli teknisyen başına günde 30-50 tuzak kapasitesiyle sınırlıdır. Büyük işletmelerde binlerce tuzağın haftalık izlenmesi pratik olarak mümkün değildir.
• Taksonomik uzmanlık gereksinimi: Birbirine morfolojik olarak çok benzeyen türlerin (ör. Bemisia tabaci vs. Trialeurodes vaporariorum) ayrımı, entomoloji eğitimi almış uzman gerektirir. Küçük ölçekli çiftçilerin bu uzmanlığa erişimi son derece sınırlıdır.
• Zamanlama kritikliği: Entegre zararlı yönetimi (Integrated Pest Management, IPM) stratejileri, zararlı popülasyonunun ekonomik zarar eşiğini (Economic Threshold, ET) aşmadan önce müdahaleyi gerektirir. Manuel izlemedeki gecikmeler, gereksiz pestisit kullanımına ve çevresel maliyetlere yol açmaktadır.
• Öznellik: Tuzak üzerindeki böcek sayım sonuçları gözlemciler arasında %15-25 oranında farklılık gösterebilmektedir.

Bu kısıtlamalar, otomatik görüntü tabanlı zararlı tespit ve sınıflandırma sistemlerini tarımsal bilgisayarlı görünün (agricultural computer vision) en aktif araştırma alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (2000-2015)

Erken dönem zararlı tespit yaklaşımları, el ile tasarlanmış özellik çıkarma ve sığ sınıflandırıcılara dayanmaktaydı:

• Renk ve şekil tanımlayıcıları: RGB veya HSV renk uzayında histogram özellikleri ile böcek vücut renginin sayısallaştırılması. Cho et al. (2007), 5 zararlı tür için renk momentleri + karar ağacı yaklaşımıyla %85,3 sınıflandırma doğruluğu elde etmiştir.
• Doku analizi (GLCM, LBP): Böcek kanat desenlerinin ve vücut dokusunun istatistiksel tanımlayıcılarla kodlanması. Wen et al. (2009), LBP + SVM kombinasyonuyla 10 tarımsal zararlı türünde %89,2 doğruluk raporlamıştır.
• SIFT/SURF özellik eşleme: Ölçek ve dönüşüme değişmez anahtar noktaların çıkarılması ve BoW (Bag of Words) temsilinin oluşturulması. Bu yöntem, görüntüdeki böcek pozisyonunun ve yöneliminin değişkenliğine karşı kısmi dayanıklılık sağlamıştır.

Limitasyonlar: El ile tasarlanmış özellikler, belirli bir zararlı grubu ve belirli bir görüntüleme koşulu için optimize edildiğinde iyi çalışır; ancak farklı iklim bölgelerine, tuzak türlerine veya kamera açılarına genelleme kapasitesi düşüktür. 50'den fazla türü ayırt etmesi gereken pratik senaryolarda performans hızla düşer.

2.2 Derin Öğrenme Yaklaşımları (2015-Günümüz)

CNN Tabanlı Sınıflandırma

• Girdi: Yapışkan tuzak fotoğraflarından kırpılmış bireysel böcek görüntüleri veya tarla koşullarında çekilen yaprak/gövde üzerindeki zararlı fotoğrafları (tipik olarak 224x224 piksel).
• Çalışma prensibi: Evrişim katmanları, böcek morfolojisine özgü hiyerarşik özellikler öğrenir — anten yapısı, kanat venasyon deseni, vücut segmentasyonu, renk gradyanları. Son katmandaki softmax, tür düzeyinde olasılık dağılımı verir.
• Eğitim: Transfer öğrenme ağırlıklı. ImageNet ön eğitimli ResNet50, VGG16, InceptionV3 mimarileri yaygın başlangıç noktalarıdır. Wu et al. (2019), IP102 veri seti üzerinde (75.222 görüntü, 102 tür) ResNet101 ile %49,4 top-1 doğruluk raporlamıştır — 102 ince taneli sınıf için bu düzeyin zorluk seviyesini göstermektedir.
• Performans: Az sayıda tür (<10) içeren veri setlerinde doğruluk %95+ seviyesine ulaşabilirken, IP102 gibi geniş ölçekli ve ince taneli veri setlerinde performans belirgin biçimde düşmektedir.

Nesne Tespiti (YOLO, SSD)

• YOLO ailesi: Tek geçişli mimari ile yapışkan tuzak görüntülerinden çoklu böcek tespiti ve lokalizasyonu. Li et al. (2021), modifiye YOLOv5 ile tarla koşullarında 6 zararlı türünün tespitinde %91,2 mAP@0.5 ve 28 ms çıkarım süresi raporlamıştır.
• SSD (Single Shot MultiBox Detector): Çoklu özellik haritalarından farklı ölçeklerde tespit. YOLO'ya kıyasla küçük nesnelerde daha iyi performans gösterir; ancak tarımsal uygulamalarda YOLO'nun daha hızlı evrilmesi nedeniyle SSD kullanımı azalmaktadır.
• Faster R-CNN: İki aşamalı mimari ile yüksek lokalizasyon doğruluğu. Ayan et al. (2020), sera zararlılarında Faster R-CNN ile %94,7 mAP raporlamış ancak çıkarım süresi 320 ms ile gerçek zamanlı uygulamalar için sınırlayıcıdır.

İnce Taneli Sınıflandırma (Fine-Grained Classification)

Taksonomik olarak yakın türlerin ayrımı (ör. aynı familyadaki farklı yaprak biti türleri), standart CNN'lerin yetersiz kaldığı bir alandır. Bilineer CNN (Bilinear CNN), dikkat mekanizmaları (attention modules) ve parça tabanlı öğrenme (part-based learning) yöntemleri, inter-class benzerliğin yüksek olduğu zararlı sınıflandırmasında %3-7 doğruluk artışı sağlamaktadır. Nanni et al. (2022), ensemble dikkat modülleri ile IP102 üzerinde %56,3 top-1 doğruluk elde etmiş — taban çizgisine (baseline) göre %6,9 iyileşme.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Küçük Nesne Tespiti

Tarımsal zararlıların önemli bir kısmı (yaprak bitleri, trips, akarlar) vücut boyutu 1-3 mm aralığındadır. Standart kamera çözünürlüğünde bu böcekler görüntüde 5-15 piksel kaplamaktadır. YOLO ve SSD gibi tek geçişli dedektörlerde küçük nesneler, son özellik haritasına ulaşamadan bilgi kaybına uğrar. FPN (Feature Pyramid Network) ve multi-scale eğitim stratejileri bu açığı kısmen kapatır; ancak 10 piksel altı hedeflerde performans hâlâ yetersizdir.

Tür Benzerliği (Inter-class Similarity)

Aynı familyadan zararlı türleri genellikle yalnızca anten segmenti sayısı, kanat damar deseni veya vücut kılı yoğunluğu gibi mikroskobik düzeydeki özelliklerle ayrılır. Wu et al. (2019), IP102 veri setindeki 102 tür arasında top-1 doğruluğun %49,4'te kaldığını raporlamıştır — bu, ImageNet'teki 1000 sınıflı performansın bile gerisindedir. Sorun, nesne tanıma değil ince taneli sınıflandırma (fine-grained classification) probleminin kendisindedir.

Dinamik Arka Plan ve Oklüzyon

Yapışkan tuzak görüntülerinde zararlılar, toz, bitki kalıntıları, yararlı böcekler ve birbirleriyle örtüşen diğer zararlılarla karışık halde bulunur. Tarla koşullarında ise yaprak, dal, toprak ve gölge gibi karmaşık arka plan elemanları mevcuttur. Bu oklüzyon, nesne tespiti modellerinin sınırlayıcı kutu (bounding box) regresyonunda sistematik hatalara yol açar. Preti et al. (2021), yapışkan tuzaklarda oklüzyon oranı %30'u aştığında tespit duyarlılığının %18 düştüğünü raporlamıştır.

Mevsimsel ve Çevresel Değişkenlik

Zararlı popülasyonu ve tür kompozisyonu mevsime, sıcaklığa ve nem düzeyine bağlı olarak belirgin değişim gösterebilir. Bir modelin ilkbahar verisinde eğitilip yaz verisinde test edilmesi, tür dağılımı kaymasına (label shift) neden olur. Ayrıca aynı türün farklı yaşam evrelerindeki (yumurta, larva, pupa, ergin) morfolojik farklılıklar, tek bir sınıf içinde yüksek varyans oluşturur.

Veri Dengesizliği ve Nadir Türler

Doğada baskın zararlı türleri (ör. beyazsinek) binlerce örnekle temsil edilirken, ekonomik olarak kritik ancak nadir türler (ör. belirli kırmızı örümcek akarları) sınıf başına yalnızca 20-50 örnekle mevcut olabilir. Bu dengesizlik, modelin nadir türlerde duyarlılık (recall) performansını ciddi şekilde düşürür. Aşırı örnekleme (oversampling) ve GAN tabanlı sentetik veri üretimi kısmi çözümler sunar; ancak sentetik verideki artefaktlar modeli yanıltabilir.

Bölgesel Senaryo: Siirt Fıstık Bahçelerinde Zararlı İzleme

Siirt ilinde 12.000 hektarı aşan fıstık bahçelerinde birçok zararlı tür ekonomik kayba neden olmaktadır. Mühendislik açısından üç kritik problem öne çıkmaktadır:

1. Fıstık psillidi (Agonoscena pistaciae): 2-3 mm boyutunda, açık yeşil renkli bu zararlının yaprak üzerinde tespiti, arka plan ile düşük kontrast nedeniyle RGB tabanlı modeller için zorludur. Nimf döneminde hareketsiz olması lokalizasyonu kolaylaştırır; ancak ergin dönemde hızlı hareket nedeniyle tuzak görüntüleri bulanık olabilmektedir.
2. Yaprak galeri güvesi (Phyllonorycter spp.): Larva yaprak dokusu içinde galerilere neden olur. Hasar belirtileri yaprak hastalıklarıyla (özellikle mantar lekeler) morfolojik olarak benzerlik gösterir — sınıflandırma modelinin hastalık-zararlı ayrımı yapabilmesi gerekir.
3. Güneydoğu Anadolu'nun yarı-kurak iklimi: Yüksek sıcaklık (yaz aylarında 40°C+) ve düşük bağıl nem (%15-25), yapışkan tuzakların yapışkanlık kapasitesini değiştirerek böcek tutma oranını ve görüntü kalitesini etkiler. Bu fiziksel değişkenlik, model performansını doğrudan etkileyen ancak literatürde nadiren ele alınan bir faktördür.

4. Literatür: Seminal Çalışmalar

Wu et al. (2019) — IP102: 75.222 görüntü, 102 zararlı türü içeren geniş ölçekli ince taneli veri seti. ResNet101 ile %49,4 top-1 doğruluk. Zararlı tespiti için ImageNet benzeri bir referans nokta oluşturmuştur. Veri setinin hiyerarşik taksonomik yapısı (üst sınıf → familya → tür) ile çok seviyeli sınıflandırma araştırmalarını tetiklemiştir. (520+ atıf)

Nanni et al. (2022) — Zararlı tanıma için ensemble derin öğrenme yaklaşımı. IP102 üzerinde dikkat modülleri ve çoklu CNN birleştirmesiyle %56,3 top-1 doğruluk — taban çizgisine göre %6,9 iyileşme. Bulgular, tek bir mimarinin zorlandığı ince taneli ayrımda model çeşitliliğinin yararlı olabileceğine işaret etmektedir. (180+ atıf)

Li et al. (2021) — Modifiye YOLOv5 ile tarla koşullarında 6 zararlı türünün gerçek zamanlı tespiti. Mosaic veri artırma, CIOU kayıp fonksiyonu ve CSPDarknet omurgası ile %91,2 mAP@0.5, 28 ms çıkarım süresi (NVIDIA Jetson Xavier). Edge dağıtım fizibilitesinin somut gösterimi. (290+ atıf)

Ayan et al. (2020) — Sera zararlılarında Faster R-CNN ve SSD karşılaştırması. Faster R-CNN %94,7 mAP, SSD %87,3 mAP. Oklüzyon oranı arttığında her iki modelin performansının düştüğünü ancak Faster R-CNN'in daha dayanıklı olduğunu göstermiştir. (210+ atıf)

Preti et al. (2021) — Yapışkan tuzaklarda otomatik zararlı sayımı için derin öğrenme pipeline'ı. ResNet50 + FPN tabanlı dedektör ile 12 zararlı türünde %88,5 mAP. Oklüzyon oranı %30'u aşan tuzaklarda performansın %18 düştüğünü ve tuzak bakım sıklığının model performansını doğrudan etkilediğini raporlamıştır. (160+ atıf)

5. Gelecek Vizyonu

Edge AI ve Akıllı Tuzak Sistemleri

Yapışkan tuzaklara entegre kamera + gömülü işlemci (Raspberry Pi, NVIDIA Jetson Nano) kombinasyonlarıyla gerçek zamanlı zararlı sayımı ve tür sınıflandırması hedeflenmektedir. INT8 kuantizasyon ve yapısal budama ile YOLOv8-nano modeli, Jetson Nano üzerinde 45 FPS çıkarım kapasitesine ulaşabilmektedir. Bu sistemlerin LoRaWAN veya NB-IoT üzerinden merkezi izleme platformuna otomatik veri aktarımı, IPM karar destek sistemlerinde önemli bir altyapı katmanı olabilir. Enerji kısıtı (güneş paneli + pil) ve kırsal bölgelerde bağlantı güvenilirliği temel mühendislik engelleridir.

İHA Tabanlı Geniş Alan Tarama

İHA platformlarına entegre multispektral kameralar, yaprak yüzeyindeki zararlı hasarını (klorofil kaybı, yaprak deformasyonu) tarla ölçeğinde haritalayabilir. NDVI anomali haritaları ile zararlı yoğunluk haritalarının korelasyonu, değişken oranlı (variable-rate) pestisit uygulamasının temelini oluşturur. Ancak bireysel böcek düzeyinde tespit, İHA uçuş yüksekliğindeki (30-50 m) mekansal çözünürlük kısıtları nedeniyle hâlâ mümkün değildir — mevcut yaklaşım dolaylı tespit (hasar belirtisi) üzerinedir.

Az Örnekli Öğrenme (Few-Shot Learning)

Yeni zararlı türlerinin veya invazif türlerin ilk tespiti, sınıf başına yalnızca 5-20 örnekle yapılmak zorundadır. Prototip ağları (prototypical networks) ve meta-öğrenme (meta-learning) yaklaşımları, az örnekli senaryolarda geleneksel transfer öğrenmeye göre %8-12 doğruluk artışı sağlamaktadır. Bu yaklaşımın pratik uygulaması, çiftçilerin telefonla çektiği birkaç fotoğraftan yeni zararlı türünü tanıyabilen adaptif sistemlerin geliştirilmesidir.

Çoklu Modal Algılama

RGB görüntüleme tek başına yetersiz kaldığı durumlarda (gece aktif zararlılar, yaprak altı zararlıları) akustik sensörler (böcek kanat çırpma frekansı analizi), feronom tuzak verileri ve NIR spektroskopi verilerinin füzyonu, tespit güvenilirliğini artırma potansiyeli taşımaktadır. Akustik sınıflandırma ile mısır koçan kurdu larvalarının %92 doğrulukla tespit edilebildiği raporlanmıştır. Ancak çoklu sensör kalibrasyonu ve veri senkronizasyonu önemli mühendislik zorlukları oluşturmaktadır.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği