Çiftlikten sofraya: Yapay zeka tarımda inovasyonu nasıl yönlendiriyor

Dünya nüfusunun 2050 yılına kadar 2 milyar artması beklendiğinden, buna ayak uydurmak için gıda üretiminde yaklaşık 60% artışa ihtiyacımız var. Yapay Zeka (AI), tarımda inovasyonu yönlendirerek bu zorluğun üstesinden gelmemize yardımcı oluyor. AI inovasyonları; hayvanları izlemek, mahsul büyümesini analiz etmek, çiftlik ekipmanlarının ne zaman bakıma ihtiyacı olduğunu tahmin etmek ve çok daha fazlası için kullanılabilir. Tarımı düşündüğümüzde genellikle sadece çiftçiliği gözümüzün önüne getiririz. Ancak tarım, birçok farklı işlevi ve süreci kapsayan şemsiye bir kavramdır.

Tarımda AI kullanımının etkisini daha iyi anlamak için somut bir örnek ele alalım: bir meyvenin yaşam döngüsü. Bir tarladan sofralarımıza uzanan yolculuğunda neler yaşanır?

Bu blogda, meyvelerin ekiminden, büyümesine, hasadından işlenmesine, taşınmasına ve satışına kadar her adımda YZ'nin nasıl yardımcı olduğunu inceleyeceğiz. Haydi başlayalım!

Meyve ekiminde tarımda yeni teknolojileri benimsemek#

Meyve mahsullerinin yaşam döngüsündeki ilk adım, tohumların seçilmesi ve ekilmesidir. Bir çiftçinin, sezon için hangi meyveyi yetiştireceğine karar vermesi gerekir. Makine öğrenimi gibi YZ teknikleri, büyük miktardaki veriyi analiz ederek çiftçilerin kendi özel toprak ve iklim koşulları için en iyi tohumları seçmelerine yardımcı olmak amacıyla kullanılabilir. Geçmiş hava durumu modellerini, toprak kompozisyonunu ve mahsul performans verilerini değerlendirerek, YZ gelişme olasılığı en yüksek olan en uygun tohum çeşitlerini önerebilir. Tohum seçiminde YZ kullanımı, büyük ilgi gören ve potansiyel barındıran aktif bir araştırma alanıdır.

Örneğin, 2018 CGIAR Inspire Challenge, daha akıllı tohum seçimi için makine öğrenimini kullanan bir projeye 100.000 $ ödül verdi. Bu proje, BioSense Institute ve CIMMYT'den araştırmacılar tarafından yürütüldü. Tohum performansını tahmin eden modeller geliştirmek için Meksika'daki yüzlerce değerlendirme sahasından elde edilen farklı yeni mısır çeşitlerine ait verileri kullandılar. Veri odaklı bir yaklaşıma sahip olmak, başarılı bir hasat şansını artırır ve mahsul kaybı riskini azaltır. En iyi tohum türü seçildikten sonra, tohumların kalitesini kontrol etmek için bilgisayarlı görü devreye girebilir.

Şekil 1. Daha parlak alanların daha sağlıklı bitki örtüsünü gösterdiği, Meksika'daki mısır üretimini gösteren bir uydu görüntüsü.

Tohum kalitesini değerlendirmek için bilgisayarlı görü kullanımı#

Bilgisayarlı görü, meyve tohumlarının insan gözüyle görülemeyebilecek kusurlarını, hastalıklarını ve genetik özelliklerini tespit etmek için yüksek çözünürlüklü görüntülerini analiz etmek amacıyla kullanılabilir. Çeşitli bilgisayarlı görü görevleri, bu görüntüleri analiz ederek tohumları sınıflandırmak, derecelendirmek ve kalitelerini değerlendirmek için kullanılabilir. Bu görevleri otomatikleştirerek AI, yalnızca en yüksek kaliteli tohumların ekilmesini garantilemeye yardımcı olabilir ve çiftçiler daha iyi mahsul verimi elde edebilir.

Örneğin, Seed X's GeNee™ Sorter, tohum seçim sürecini iyileştiren AI destekli bir tohum ayıklama makinesidir. Ayıklayıcı, tohumları iki kategoriye ayırır: çimlenme olasılığı yüksek olan yüksek kaliteli tohumlar birincil kutuya yönlendirilirken, çimlenme olasılığı düşük olan tohumlar ikincil kutuya ayrılır. Renk, şekil, boyut, genetik saflık değerlendirmesi ve çimlenme oranlarını tahmin etme gibi görevleri yerine getirir. Ayıklayıcı sayesinde çimlenme oranları %90'ın üzerine çıkarılabilir, bu da daha fazla tohumun başarıyla sağlıklı bitkilere dönüşmesi anlamına gelir.

Şekil 2. Seed X's GeNee™ Sorter.

Meyveleri yetiştirmek ve hasat etmek için YZ kullanımı#

AI ayrıca toprak analizi ve mahsul izlemeyi geliştirmek için de kullanılabilir. Gelişmiş kameralara sahip dronlar meyve tarlalarının üzerinden uçarak toprak ve bitki sağlığının ayrıntılı görüntülerini yakalar. Bu görüntüler işlenerek toprak nemi, besin seviyeleri ve bitki sağlığındaki değişiklikleri gösteren haritalar oluşturulur. Görüntü analizinden elde edilen içgörülere dayanarak yabani ot tespiti, büyüme izleme, verim tahmini, sulamayı ayarlama, gübreleri hassas bir şekilde uygulama ve hedefli zararlı kontrolü uygulama gibi görevler gerçekleştirilebilir. AI kullanarak gerçek zamanlı izleme, meyve mahsulü verimini artırmaya ve sürdürülebilir tarım uygulamalarını teşvik etmeye yardımcı olabilir.

Bir tarlayı en uygun zamandan sadece bir gün önce veya sonra hasat etmek, çiftçinin potansiyel gelirini %3,7 ile 20.4% oranına kadar azaltabilir. AI, meyveleri toplamak için en iyi anı belirlemeye yardımcı olabilir. Geleneksel hasat yöntemleri büyük ölçüde manuel iş gücüne dayanır ve daha az verimli ile daha zaman alıcı olabilir. AI destekli hasat yöntemleri, olgunluğu tahmin etmek için meyve rengini, boyutunu ve çevresel koşulları verilerini analiz etmek üzere gelişmiş sensörler ve makine öğrenimi algoritmaları kullanır. Bu sayede meyveler en iyi durumlarındayken hasat edilir, bu da daha yüksek verime ve daha az israfa yol açar.

Şekil 3. Olgun çilekleri segmentlere ayırmak için Bilgisayarlı Görü kullanımı.

Hasat sonrası işleme: Meyve segmentasyonu ve paketlemenin hacimsel analizi#

Hasattan sonraki bir sonraki önemli adım, en iyi ürünün tüketicilere ulaşabilmesi için meyveleri sınıflandırmak ve derecelendirmektir. AI, meyve segmentasyonu için hacimsel analiz amacıyla kullanılabilir. Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri uygulanarak bir meyvenin boyutu, şekli ve kalitesi değerlendirilebilir.

Şekil 4. Meyveleri segmentlere ayırmak için Ultralytics YOLOv8 bilgisayarlı görü modelini kullanma.

Süreç, bir konveyör bant üzerindeki meyvelerin yüksek çözünürlüklü görüntülerini yakalamayı, YOLOv8 modeli kullanarak bireysel meyveleri segmentlere ayırmayı ve boyutu ile şeklini ölçmek ve kusurları tespit etmek için hacimsel analiz gerçekleştirmeyi içerir. Analize dayanarak meyveler, uygun paketleme, işleme veya dağıtım için otomatik olarak farklı kategorilere göre sınıflandırılır ve derecelendirilir. AI destekli sınıflandırma ve derecelendirme; verimliliği, doğruluğu ve tutarlılığı artırır, israfı azaltır ve hasadın değerini maksimize eder.

Meyveler ayıklanıp derecelendirildikten sonra, otomatik paketleme makineleri onları hassas bir şekilde paketleyebilir. YZ destekli OCR (Optik Karakter Tanıma) sistemleri, etiketleri, barkodları ve standartlara ve yönetmeliklere uygunluk için diğer önemli bilgileri doğrulayarak paketlemeyi doğruluk açısından kontrol edebilir. Paketlemenin bu şekilde denetlenmesiyle, ürünlerin son kullanma tarihinin geçmesi gibi durumların önüne geçilebilir. YZ, yanlış etiketleri veya geçmiş tarihleri tespit edebilir ve ürünler tüketicilere ulaşmadan önce bunların düzeltilmesini sağlayabilir.

Meyvelerin perakende satışında ve dağıtımında YZ inovasyonları#

Şimdi, en iyi meyveleri paketlediğini ve teslimata hazır olduğunu düşünelim. YZ, rotaları optimize ederek meyvelerin lojistiğini ve taşınmasını iyileştirebilir. Meyveleri taşıma sırasında taze tutmak ve en verimli teslimat rotalarını bulmak büyük zorluklardır. YZ algoritmaları; trafik modellerini, hava koşullarını ve teslimat programlarını analiz ederek en iyi rotaları belirleyebilir ve seyahat süresini ve maliyetlerini azaltabilir.

Meyveler mağazaya ulaştıktan sonra AI, envanter yönetimi ve talep tahmininde kritik bir rol oynamaya devam eder. AI sistemleri, talebi daha doğru bir şekilde tahmin etmek için satış verilerini, müşteri tercihlerini ve mevsimsel trendleri analiz edebilir. Perakende mağazaları, AI'dan elde edilen içgörülere dayanarak optimum envanter seviyelerini koruyabilir ve aşırı stok yapma veya stokların tükenmesi riskini azaltabilir.

Şekil 5. Bir perakende mağazasında meyveleri yeniden dizen personel. Görsel kaynağı Envato Elements.

Mağazalarda raflardaki stokları gerçek zamanlı olarak izlemek için bilgisayarlı görü kullanılabilir. Nesne tespiti kullanarak AI destekli kameralar, stokların azaldığını veya yanlış yerleştirildiğini belirleyebilir ve personeli rafları yeniden doldurması veya düzenlemesi konusunda uyarabilir. Doğru miktarda taze ürünün doğru zamanda kullanılabilir olmasını sağlayarak AI, müşteri memnuniyetini artırmaya ve gıda atıklarını azaltmaya yardımcı olur.

YZ'nin meyve sektörü üzerindeki genel etkisi#

AI, tüketicilerin daha kaliteli meyveler almasına yardımcı olmada büyük bir rol oynama potansiyeline sahiptir. Meyve endüstrisindeki başarılı AI entegrasyonunun harika bir örneği Nature Fresh Farms şirketidir. Nature Fresh Farms, AI teknolojisini kullanarak operasyonlarını tohumdan mağazaya dönüştürmüştür. AI destekli sensörler ve veri analitiği; seradaki iklim ve nem seviyelerinden ürün taşıma lojistiğine kadar her şeyi takip etmeye ve yönetmeye yardımcı olur. Nature Fresh Farms, yetişme koşullarını optimize etmiş, sulamayı kontrol etmiş ve maliyetleri düşürmüştür. AI sistemi ayrıca ürünlerin paketlemeden sonraki 24 - 48 saat içinde süpermarket raflarına ulaşmasını sağlayarak taşıma süresini önemli ölçüde kısaltmakta ve tazeliği korumaktadır.

Birçok faydasına rağmen, meyve endüstrisinde AI kullanmanın bazı potansiyel dezavantajları da vardır:

• Uygulama maliyeti: YZ teknolojisine yapılan ilk yatırım yüksek olabilir, bu da bazı çiftçiler ve üreticiler için bir engel teşkil edebilir.
• Teknoloji bağımlılığı: YZ ve teknolojiye aşırı güvenmek, özellikle teknik sorunlar veya arızalar olması durumunda yönetilmesi zor olabilecek bir bağımlılık yaratabilir.
• Bakım ve onarım: YZ sistemlerinin etkili bir şekilde çalışması için düzenli bakım ve güncellemeler gerekir, bu da devam eden maliyetleri ve operasyonel karmaşıklığı artırabilir.
• Kullanım karmaşıklığı: Bazı çiftçiler YZ teknolojisini anlamayı ve kullanmayı zor bulabilir, bu da eğitim ve desteği gerekli kılar.

Yarını yetiştirmek#

Tohumların seçiminden meyvelerin olgunlaşmasına kadar YZ, çiftliklerden yemek masanıza kadar ürünlerin yaşam döngüsü boyunca tarımı değiştiriyor. Çiftçilerin toprak sağlığını izlemelerine, hasat için en iyi zamanları tahmin etmelerine ve ürünleri doğru bir şekilde ayıklamalarına yardımcı oluyor. Kaynakları optimize ederek, israfı azaltarak ve mahsul verimini artırarak YZ, çiftçiliği daha verimli ve sürdürülebilir hale getiriyor. Maliyetler, teknik uzmanlık ihtiyacı ve veri kalitesine olan bağımlılık gibi zorluklara rağmen, YZ'nin avantajları birçok durumda bu zorluklara değmesini sağlıyor. İşte bu yüzden giderek daha fazla çiftçi YZ'yi benimsiyor.

AI hakkında bilgi edinmeye devam etmek için topluluğumuzla bağlantıda kal! AI'yı üretim ve sağlık gibi endüstrilerde yenilikçi çözümler oluşturmak için nasıl kullandığımızı keşfetmek üzere GitHub depomuzu incele. 🚀