🫒 Argon-Bilig: Gemlik Zeytini Yapay Zekâ Teşhis ve Karar Destek Motoru

Argon-Bilig, Gemlik (Olea europaea cv. 'Gemlik') zeytini özelinde rekolte ve ağaç sağlığını tehdit eden Halkalı Leke (Venturia oleaginea) ve Zeytin Pas Akarı (Aculus olearius) etmenlerini piksel hassasiyetinde tespit eden, arka plan gürültüsünü izole eden ve fenolojik döneme göre zirai mücadele reçetesi sunan hibrit bir yapay zekâ teşhis sistemidir.

Bu çalışma; TÜBİTAK 2204-A Lise Öğrencileri Araştırma Projeleri Yarışması ve TEKNOFEST Tarımsal Teknolojiler kapsamında geliştirilmiştir.

👥 Proje Geliştiricileri ve Sahipliği

Muhammed Emin DUYAR
Ahmet Buğra GİRGİN
Yıl: 2026

📦 İlgili Veri Seti (Companion Dataset)

Bu modeller, arka plan gürültüsünden arındırılarak standardize edilen resmi Argon-Bilig veri seti ile eğitilmiştir:

🔗 Veri Seti Deposu: JoQert/argon-bilig-olive-dataset

📊 1. Model Ağırlıkları ve Donanım Çıkarım Performansı

Aşağıdaki değerler sistem tarafından CPU üzerinde gerçekleştirilen gerçek zamanlı testler ile ölçülmüştür:

Model Bileşeni	Dosya Adı	Mimari	Dosya Boyutu	Giriş Çözünürlüğü	Ortalama CPU Gecikmesi
Model 1 (Segmentasyon)	`yolov8_zeytin_seg.onnx`	YOLOv8s-seg	45.18 MB	640x640 px	387.3 ms
Model 2 (Sınıflandırma)	`efficientnet_classifier.onnx`	EfficientNet-B0	15.79 MB	224x224 px	16.1 ms
Toplam Sistem	Hibrit Boru Hattı	İki Aşamalı ONNX	60.97 MB	-	403.4 ms

🏷️ 2. Sınıflar, Veri Dağılımı ve Sınıf Ağırlıkları

Eğitimde veri dengesizliğini bertaraf etmek amacıyla Weighted Cross-Entropy Loss kullanılmıştır:

Sınıf ID	Sınıf Etiketi	Türkçe Tanım	Eğitim Seti (Train)	Doğrulama Seti (Val)	Kayıp Ağırlığı (Weight)
`0`	`Healthy`	Sağlıklı Zeytin Yaprağı	1033 yaprak	259 yaprak	0.889
`1`	`acerculus_olearius`	Zeytin Pas Akarı	398 yaprak	100 yaprak	2.308
`2`	`olive_peacock_spot`	Halkalı Leke	1325 yaprak	332 yaprak	0.693

📈 3. Doğrulama Seti Performans Karnesi (Validation Metrics)

Doğrulama veri seti üzerindeki gerçek çıkarım sonuçları:

Sınıf	Precision (Hassasiyet)	Recall (Duyarlılık)	F1-Score	Doğrulama Örneklemi (Support)
Sağlıklı Zeytin Yaprağı	%99.23 (0.9923)	%99.23 (0.9923)	%99.23 (0.9923)	259
Zeytin Pas Akarı	%99.00 (0.9900)	%99.00 (0.9900)	%99.00 (0.9900)	100
Halkalı Leke	%99.40 (0.9940)	%99.40 (0.9940)	%99.40 (0.9940)	332
Genel Başarım (Accuracy)	-	-	%99.28	691

Tarımsal Güvenlik Notu: Tarımda en kritik metrik, hastalıklı yaprağı gözden kaçırmamayı ifade eden Recall (Duyarlılık) değeridir. Modelimiz leke ve pas akarı sınıflarında yüksek duyarlılık göstererek yanlış negatif riskini en aza indirmiştir.

🧠 Model Mimarisi ve Hibrit Karar Akışı

Ham Yaprak Fotoğrafı 
       │
       ▼
[Model 1: YOLOv8s-seg] ──(Leke Alanı > %0.5)──► [Halkalı Leke Teşhisi & Şiddet Analizi]
       │
   (Leke Yok)
       │
[Arka Plan İzolasyonu & Kırpma]
       │
       ▼
[Model 2: EfficientNet-B0] ────────────────────► [Zeytin Pas Akarı VEYA Sağlıklı Yaprak]

🎯 Hedef Sınıflar ve Zirai Mücadele Reçeteleri

Sınıf Etiketi	Bilimsel Adı	Türkçe Karşılığı	Mücadele ve Tedavi Reçetesi
`olive_peacock_spot`	Venturia oleaginea	Halkalı Leke	%1 - 1.5 Bordo Bulamacı / Ruhsatlı Bakırlı Fungisit
`acerculus_olearius`	Aculus olearius	Zeytin Pas Akarı	Sürgün döneminde Islanabilir Kükürt (WP) / Akarisit
`Healthy`	Olea europaea	Sağlıklı Yaprak	Rutin sulama, havalandırma budaması ve dengeli besleme

💻 Python ile Hızlı Çıkarım (Quickstart)

import onnxruntime as ort
import numpy as np
import cv2

# Modeli Yükle
session = ort.InferenceSession("efficientnet_classifier.onnx", providers=['CPUExecutionProvider'])
classes = ['Healthy', 'acerculus_olearius', 'olive_peacock_spot']

# Görseli Oku ve Normalize Et (224x224)
img = cv2.imread("ornek_yaprak.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
resized = cv2.resize(img_rgb, (224, 224)).astype(np.float32) / 255.0

mean = np.array([0.485, 0.456, 0.406], dtype=np.float32)
std = np.array([0.229, 0.224, 0.225], dtype=np.float32)
normalized = (resized - mean) / std
input_tensor = np.transpose(normalized, (2, 0, 1))[np.newaxis, ...]

# Çıkarım
input_name = session.get_inputs()[0].name
logits = session.run(None, {input_name: input_tensor})[0][0]
probs = np.exp(logits) / np.sum(np.exp(logits))

pred_class = classes[np.argmax(probs)]
print(f"Teşhis: {pred_class} (Güven: %{np.max(probs)*100:.2f})")

📖 Bu Modeli Alıntılamak İçin (Citation)

@misc{argonbilig2026,
  title={Argon-Bilig: Gemlik Zeytini Hastalık ve Zararlıları İçin Hibrit Yapay Zekâ Teşhis Motoru},
  author={Duyar, Muhammed Emin and Girgin, Ahmet Bu{\u{g}}ra},
  year={2026},
  howpublished={Hugging Face Hub: \url{https://huggingface.co/JoQert/argon-bilig-olive-models}},
  note={Yapay zekâ teşhis motoru ve ONNX modelleri}
}

🙏 Veri Seti Kaynakları ve Teşekkür (Acknowledgements)

Model eğitiminde kullanılan öncül ham verilerin bilimsel katkıları için teşekkür ederiz:

Olive Peacock Eye Dataset: Diker, A., Elen, A., Közkurt, C. et al. (2024). Eur Food Res Technol, 250, 287–299. DOI: 10.1007/s00217-023-04386-8
Olive Leaf Disease Unified Dataset: Abeer Saleh (CC0: Public Domain)
Olive Leaf Image Dataset: Habibul Basher (CC0: Public Domain)

Downloads last month: -; Downloads are not tracked for this model. How to track

JoQert
/

argon-bilig-olive-models