00 / 10

Akademik proje önerisi · 2026

Bitki hastalığını tahmin etmek yetmez.

Görüntü analizi, açık kaynak multimodal model ve güvenilir literatür erişimini birleştiren açıklanabilir ön tanı sistemi.

İki yolu incele →Deney tasarımı ↓
PROJE TEZİ
Tanının nedenini açıklayan, kaynak gösteren ve alternatif hastalıkları değerlendiren bir yapay zekâ.
Erken yanıklık belirtileri gösteren domates yaprakları
SPECIMEN · T-014
Saha görüntüsüYaprak · lezyon · bağlamsal veri · görsel ön inceleme
01 / 10

Temel teknik karar

Bir problem.
İki yol.

İlk yol hızlı ve yalın baseline kurar. İkinci yol sınıflandırma, kaynak doğrulama ve açıklamayı ayırarak ölçülebilir sistem kurar.

YOL A · TEK MODELBASELINE

Doğrudan Qwen multimodal analiz

Fotoğraf ve saha bilgileri Qwen3.5-4B veya 9B modeline gider. Model belirtiyi tarif eder, aday hastalıkları sıralar ve rapor üretir.

FOTOĞRAF→QWEN VLM→RAPOR
  • Hızlı prototip, düşük entegrasyon yükü
  • Tek model ile sade işletim
  • Güven ve kaynak dayanağını denetlemek zor
  • Halüsinasyon riski daha yüksek

Rol: Sıfır-atış karşılaştırma sistemi.

YOL B · MODÜLERANA ÖNERİ

Vision Model + Qwen + RAG

Özel vision model Top-K aday üretir. RAG ilgili bilimsel belgeleri getirir. Qwen görüntü bulguları ile kaynakları birlikte yorumlar.

VISION→RAG→QWEN→RAPOR
  • Her bileşen ayrı ölçülür ve iyileştirilir
  • Ayırıcı tanı kaynaklarla sınırlandırılır
  • Top-K ve açıklama kalitesi ayrı izlenir
  • Daha yüksek veri ve entegrasyon maliyeti

Rol: Akademik deney ve nihai sistem.

02 / 10

Teknik olmayan anlatım

Önce ortak
bir dil.

Bu projede geçen terimlerin sunumda kullanılacak sade karşılıkları.

QWEN

Fotoğrafı ve yazıyı birlikte okuyabilen açık yapay zekâ modeli. Görüntüdeki belirtileri tarif eder ve Türkçe rapor yazar.[5]

VISION MODEL

Fotoğrafı önceden tanımlı hastalık sınıflarıyla karşılaştıran uzman görüntü modeli. Sonuç olarak en olası birkaç adayı verir.

RAG

Yapay zekânın cevap vermeden önce güvenilir belgelerde arama yapmasıdır. Model yalnızca hafızasına güvenmek yerine ilgili kaynak parçalarını önüne alır.[4]

FINE-TUNING

Hazır modelin bütün bilgisini sıfırdan öğretmek değil; cevap biçimini ve alan davranışını örneklerle uyarlamaktır.

QLORA

Modelin ana ağırlıklarını sabit tutup küçük ek katmanları daha az GPU belleğiyle eğitme yöntemidir.[6]

Kaynak: [4] RAG makalesi · [6] QLoRA makalesi

03 / 10

Önerilen mimari

Görev ayrımı,
izlenebilir karar.

Her katman tek bir sorudan sorumlu. Hata oluştuğunda hangi bileşenin yanıldığı ölçülebilir.

01 · INPUTFotoğraf + saha bağlamı

Bitki türü, bölge, gelişim dönemi ve ek belirtiler.

02 · VISIONTop-K hastalık adayları

“Bu görüntü hangi sınıflara benziyor?”

03 · RETRIEVEİlgili 3–5 güvenilir kaynak

Vector search + BM25 + metadata + reranking.

04 · REASONAyırıcı tanı ve açıklama

Qwen bulguları, adayları ve kaynakları karşılaştırır.

05 · OUTPUTKaynaklı karar destek raporu

Olasılık, güven, gerekçe ve gerekli ek kontroller.

04 / 10

Neden hibrit?

Üç katman.
Üç kanıt.

Tek modelin sezgisi yerine, birbirini sınayan kanıt türleri.

Görsel kanıt

ConvNeXt veya ViT; lezyon biçimi, renk ve doku üzerinden hastalık adaylarını puanlar.

Literatür kanıtı

EPPO, FAO, Bakanlık, üniversite yayınları ve akademik makalelerden ilgili parçalar getirilir.

Gerekçeli yorum

Qwen uyumlu ve uyumsuz bulguları açıklar; gerektiğinde ek fotoğraf veya saha bilgisi ister.

05 / 10

Kaynaklı veri görünümü

Çok görüntü,
tek başına yeterli değil.

Açık veri setleri başlangıç sağlar. Saha koşullarını temsil eden veri ise gerçek kullanım için belirleyicidir.

%40’a kadarZararlı ve hastalık kaynaklı küresel ürün kaybı [1]
54.303PlantVillage görüntüsü [2]
2.598PlantDoc saha odaklı görüntüsü [3]
≈21×Görüntü sayısı farkı; kalite farkı anlamına gelmez
KaynakGörüntüSınıfÇekim yapısıProjede rolü
PlantVillage54.30338 kategoriTek yaprak, kontrollü arka planÖn eğitim ve baseline
PlantDoc2.59827 sınıfDoğal ışık, karmaşık arka planSaha gerçekçiliği
Yerel saha verisiHenüz belli değilVeriye göreGerçek kullanım koşuluNihai bağımsız test

Tablo kaynakları: [1] FAO Plant Health · [2] PlantVillage kataloğu · [3] PlantDoc makalesi. Ortalama: PlantVillage ≈1.429 görüntü/kategori; PlantDoc ≈96 görüntü/sınıf. Bu değerler yalnızca kaba dağılımdır, sınıf dengesi göstermez.

06 / 10

Somut çıktı biçimi

Tek isim değil.
Gerekçeli rapor.

Bu örnek, sistemin hedeflenen cevap şablonudur. Ölçülmüş model sonucu değildir.

TEMSİLİ ÇIKTI · BAŞARI İDDİASI DEĞİL
ÖN TANI RAPORUÖRNEK / 001
GÖZLENEN BULGULAR

Kahverengi nekrotik lezyon, konsantrik halka görünümü ve lezyon çevresinde sararma.

OLASI ADAYLAR

1. Alternaria solani · 2. Septoria lycopersici · 3. Phytophthora infestans

AYIRICI TANININ GEREKÇESİ

Konsantrik halkalar Alternaria ile uyumlu. Septoria için tipik küçük siyah yapılar görüntüde net değil.

SONRAKİ KONTROL

Yaprağın alt yüzeyi, gövde ve bitkinin genel görünümü ayrıca fotoğraflanmalı. Nihai doğrulama uzman değerlendirmesi gerektirir.

KAYNAK ALANI

EPPO / akademik yayın / üniversite extension belgesi bağlantıları burada gösterilir.

07 / 10

Araştırma tasarımı

Literatür ne söylüyor?

Kontrollü test başarısı sahaya doğrudan taşınmıyor. Bu nedenle bizim deneyimiz bağımsız saha testi içerecek.

%99,50PlantVillage ile eğitim, aynı veri koşulunda test
%45,36PlantVillage ile eğitim, farklı saha verisinde test
%81,53PlantDoc ile eğitim, kendi test verisi
%61,00PlantDoc ile eğitim, farklı veri setinde test
SistemVision modeliQwen fine-tuningRAGÖlçülen katkı
A———Sıfır-atış baseline
B——VarKaynak erişimi
C—QLoRAVarAlan-özel davranış
DFine-tunedQLoRAVarAna hibrit sistem

Literatür özeti: kontrollü veri modelinde saha geçişi −54,14 yüzde puan; PlantDoc modelinde farklı veri setine geçiş −20,53 yüzde puan. Dört oranın basit ortalaması %71,85’tir; deneyler eşdeğer olmadığı için bu değer proje başarı tahmini değildir. Kaynak: [8] Purdue / IEEE genelleme çalışması.

MACRO F1TOP-3 ACCURACYRECALLCONFUSION MATRIXKAYNAK UYUMUHALÜSİNASYONUZMAN PUANI
08 / 10

Uygulama planı

Açık.
Taşınabilir.
Ölçülebilir.

4B model düşük maliyetli baseline, 9B model ana aday. İkisi aynı veri ve test setinde kıyaslanır.

MULTIMODAL LLMQwen3.5-9B · Qwen3.5-4B baseline · 4-bit inference
UYARLAMAQLoRA / LoRA · Türkçe fitopatolojik değerlendirme
COMPUTER VISIONConvNeXt / ViT · Top-K sınıflandırma
RAGQdrant · BGE/E5 · BM25 · reranker · metadata
SERVİSPython · FastAPI · POST /api/diagnose
İSTEMCİFlutter · Android / iOS / Web
EĞİTİM24 GB yerel inference · gerektiğinde 48 GB bulut GPU
VERİPlantVillage + PlantDoc + gerçek saha görüntüleri
09 / 10

Bilimsel sınırlar

Model önerir.
Uzman doğrular.

  1. Sistem kesin teşhis veya doğrudan ilaç önerisi üretmez; olasılık ve ayırıcı tanı sunar.
  2. Aynı bitkinin benzer görüntüleri train ve test setlerine bölünmez; veri sızıntısı engellenir.
  3. Temiz arka planlı açık veri yeterli değildir; ana test gerçek saha görüntülerinden oluşur.
  4. Uzman geri bildirimi doğru, kısmen doğru veya yanlış olarak yeni veri sürümünü besler.
  5. Nihai doğrulama laboratuvar analizi veya bitki koruma uzmanı değerlendirmesi gerektirebilir.
10 / 10

Doğrulanabilir temel

Kaynakça.

Sitedeki sayısal ve teknik iddiaların ana kaynakları.

  1. [1]FAO · Plant Health: zararlı ve hastalıkların küresel ürün kaybındaki etkisi
  2. [2]TensorFlow Datasets · PlantVillage kataloğu: 54.303 görüntü, 38 kategori
  3. [3]Singh ve diğerleri · PlantDoc: 2.598 görüntü, 13 bitki türü, 27 sınıf
  4. [4]Lewis ve diğerleri · Retrieval-Augmented Generation
  5. [5]Qwen · Qwen3.5-9B resmi model kartı
  6. [6]Dettmers ve diğerleri · QLoRA
  7. [7]EPPO Global Database · Bitki sağlığı ve zararlı bilgileri
  8. [8]Nagaraju ve diğerleri · Kontrollü ve saha koşullarında model genellemesi