Çiftlikten sofraya: Yapay zekâ tarımda yeniliği nasıl destekliyor?

Dünya nüfusunun 2050'ye kadar 2 milyar artması beklenirken, talebi karşılamak için gıda üretimini yaklaşık 60% artırmamız gerekiyor. Yapay Zekâ (AI), tarım alanında yenilikleri teşvik ederek bu zorluğun üstesinden gelmemize yardımcı oluyor. AI yenilikleri; çiftlik hayvanlarını izlemek, ürün gelişimini analiz etmek, tarım ekipmanlarının ne zaman bakıma ihtiyaç duyacağını tahmin etmek ve daha pek çok amaçla kullanılabilir. Tarım denince aklımıza genellikle yalnızca çiftçilik gelir. Ancak tarım, pek çok farklı işlev ve süreci kapsayan geniş bir alandır.

Tarımda AI kullanımının etkisini daha iyi anlamak için belirli bir örneği ele alalım: Bir meyvenin yaşam döngüsünü. Tarladan soframıza uzanan yolculuğu sırasında neler olur?

Bu blogda yapay zekânın ekim, yetiştirme ve hasattan meyvelerin işlenmesine, taşınmasına ve satışına kadar sürecin her aşamasına nasıl yardımcı olduğunu inceleyeceğiz.

Meyve ekiminde tarım teknolojilerinden yararlanma#

Meyve bitkilerinin yaşam döngüsündeki ilk adım, tohumları seçip ekmektir. Çiftçinin o sezon hangi meyveyi yetiştireceğine karar vermesi gerekir. Makine öğrenmesi gibi AI teknikleri, çiftçilerin kendi toprak ve iklim koşullarına en uygun tohumları seçmesine yardımcı olmak için büyük miktarda veriyi analiz edebilir. Geçmiş hava durumu düzenleri, toprak bileşimi ve ürün performansı verileri değerlendirilerek AI, gelişme olasılığı en yüksek olan ideal tohum çeşitlerini önerebilir. Tohum seçiminde AI kullanımı, ilgi ve potansiyelin yüksek olduğu, araştırmaları devam eden bir alandır.

Örneğin, 2018 CGIAR Inspire Challenge, daha akıllı tohum seçimi için makine öğrenmesinden yararlanan bir projeye 100.000 $ ödül verdi. Projeye BioSense Institute ve CIMMYT araştırmacıları liderlik etti. Meksika'daki yüzlerce değerlendirme sahasında yetiştirilen farklı yeni mısır çeşitlerine ilişkin verileri kullanarak tohum performansını tahmin eden modeller geliştirdiler. Veriye dayalı bir yaklaşım benimsemek başarılı bir hasat olasılığını artırır ve ürün kaybı riskini azaltır. En iyi tohum türü seçildikten sonra tohumların kalitesini kontrol etmek için bilgisayarlı görü kullanılabilir.

Şekil 1. Daha parlak alanların daha sağlıklı bitki örtüsünü gösterdiği, Meksika'daki mısır üretimine ait uydu görüntüsü.

Tohum kalitesini değerlendirmek için bilgisayarlı görü kullanımı#

Bilgisayarlı görü, insan gözünün göremeyebileceği kusurları, hastalıkları ve genetik özellikleri tespit etmek için meyve tohumlarının yüksek çözünürlüklü görüntülerini analiz edebilir. Tohumları tasnif etmek, derecelendirmek ve kalitelerini değerlendirmek için bu görüntülerde çeşitli bilgisayarlı görü görevleri kullanılabilir. Yapay zekâ, bu görevleri otomatikleştirerek yalnızca en kaliteli tohumların ekilmesini sağlamaya yardımcı olabilir ve çiftçilerin daha iyi ürün verimi elde etmesini sağlayabilir.

Örneğin, Seed X'in GeNee™ Sorter'ı tohum seçimi sürecini iyileştiren AI destekli bir tohum ayıklayıcıdır. Ayıklayıcı, tohumları iki kategoriye ayırır: Çimlenme olasılığı yüksek olan kaliteli tohumlar ana kutuya, çimlenme olasılığı düşük olan tohumlar ise ikincil kutuya yönlendirilir. Renk, şekil, boyut ve genetik saflık değerlendirmesi ile çimlenme oranlarının tahmini gibi görevleri yerine getirir. Ayıklayıcı sayesinde çimlenme oranları %90'ın üzerine çıkarılabilir; böylece daha fazla tohum sağlıklı bitkilere dönüşür.

Şekil 2. Seed X'in GeNee™ Sorter'ı.

Meyve yetiştirmek ve hasat etmek için AI kullanımı#

Yapay zekâ, toprak analizini ve ürün takibini iyileştirmek için de kullanılabilir. Gelişmiş kameralara sahip dronlar meyve tarlalarının üzerinden uçarak toprağın ve bitki sağlığının ayrıntılı görüntülerini yakalar. Bu görüntüler işlenerek toprak nemindeki, besin düzeylerindeki ve bitki sağlığındaki değişimleri gösteren haritalar oluşturulur. Görüntü analizinden elde edilen içgörüler doğrultusunda yabani ot tespiti, büyüme takibi, verim tahmini, sulamanın ayarlanması, gübrelerin hassas biçimde uygulanması ve hedefe yönelik haşere kontrolü gibi işler yapılabilir. Yapay zekâ destekli gerçek zamanlı izleme, meyve verimini artırmaya ve sürdürülebilir tarım uygulamalarını teşvik etmeye yardımcı olabilir.

Bir tarlanın en uygun zamandan yalnızca bir gün önce veya sonra hasat edilmesi, çiftçinin olası gelirini %3,7'den %20,4'e varan oranlarda azaltabilir. Yapay zekâ, meyveleri toplamak için en uygun zamanı belirlemeye yardımcı olabilir. Geleneksel hasat yöntemleri büyük ölçüde manuel iş gücüne dayanır ve daha az verimli, daha fazla zaman alıcı olabilir. Yapay zekâ destekli hasat yöntemleri, meyve rengi, boyutu ve çevresel koşullara ilişkin verileri analiz ederek olgunluğu tahmin etmek için gelişmiş sensörler ve makine öğrenimi algoritmaları kullanır. Böylece meyveler en iyi durumlarındayken hasat edilir, verim artar ve israf azalır.

Şekil 3. Olgun çilekleri bölümlemek için bilgisayarlı görü kullanımı.

Hasat sonrası işleme: Meyve bölütleme ve paketlemenin hacimsel analizi#

Hasattan sonraki önemli adım, en iyi ürünlerin tüketicilere ulaşabilmesi için meyveleri ayırıp sınıflandırmaktır. AI, meyve bölütlemesinin hacimsel analizinde kullanılabilir. Ultralytics YOLOv8 gibi bilgisayarlı görü modelleri uygulanarak meyvenin boyutu, şekli ve kalitesi değerlendirilebilir.

Şekil 4. Meyveleri bölümlemek için Ultralytics YOLOv8 bilgisayarlı görü modelinin kullanılması.

Süreç; konveyör bandındaki meyvelerin yüksek çözünürlüklü görüntülerinin çekilmesini, meyvelerin YOLOv8 modeli kullanılarak tek tek bölütlenmesini ve boyut ile şeklin ölçülüp kusurların tespit edilmesi için hacimsel analiz yapılmasını içerir. Analiz sonuçlarına göre meyveler, uygun paketleme, işleme veya dağıtım için farklı kategorilere otomatik olarak ayrılıp sınıflandırılır. AI destekli ayırma ve sınıflandırma; verimliliği, doğruluğu ve tutarlılığı artırır, atıkları azaltır ve hasadın değerini en üst düzeye çıkarır.

Meyveler ayrılıp sınıflandırıldıktan sonra otomatik paketleme makineleri onları hassas biçimde paketleyebilir. AI destekli OCR (Optik Karakter Tanıma) sistemleri, doğruluğu kontrol etmek ve standartlara ve mevzuata uygunluk açısından etiketleri, barkodları ve diğer önemli bilgileri doğrulamak için paketleri inceleyebilir. Paketlerin bu şekilde denetlenmesi, son kullanma tarihi geçmiş ürünlerin satışa sunulması gibi durumların önüne geçebilir. AI, yanlış etiketleri veya tarihi geçmiş ürünleri tespit ederek ürünler tüketicilere ulaşmadan önce düzeltilmeleri için işaretleyebilir.

Meyvelerin perakende satışı ve dağıtımında AI yenilikleri#

Şimdi, en iyi meyvelerin paketlenip teslimata hazır olduğunu düşünelim. AI, rotaları optimize ederek meyvelerin lojistiğini ve taşınmasını iyileştirebilir. Taşıma sırasında meyveleri taze tutmak ve en verimli teslimat rotalarını bulmak başlıca zorluklardır. AI algoritmaları, en iyi rotaları belirlemek ve seyahat süresini ve maliyetleri azaltmak için trafik düzenlerini, hava koşullarını ve teslimat programlarını analiz edebilir.

Meyveler mağazaya ulaştıktan sonra AI, stok yönetimi ve talep tahmininde önemli bir rol oynamaya devam eder. AI sistemleri, talebi daha doğru tahmin etmek için satış verilerini, müşteri tercihlerini ve mevsimsel eğilimleri analiz edebilir. Perakende mağazaları, AI bulgularına göre ideal stok seviyelerini koruyarak fazla stok yapma veya stok tükenmesi riskini azaltabilir.

Şekil 5. Perakende mağazasında meyve reyonunu yeniden dolduran çalışanlar. Görsel kaynağı: Envato Elements.

Bilgisayarlı görü, mağazalarda raf stoklarını gerçek zamanlı izlemek için kullanılabilir. Nesne tespitinden yararlanan yapay zekâ destekli kameralar, stok azaldığında veya ürünler yanlış yerleştirildiğinde durumu belirleyerek personeli rafları yeniden doldurması ya da düzenlemesi için uyarabilir. Doğru miktarda taze ürünün doğru zamanda bulunmasını sağlayan yapay zekâ, müşteri memnuniyetini artırmaya ve gıda israfını azaltmaya yardımcı olur.

AI'nin meyve endüstrisi üzerindeki genel etkisi#

Yapay zekâ, tüketicilerin daha kaliteli meyvelere ulaşmasına önemli ölçüde yardımcı olabilir. Meyve sektöründe yapay zekânın başarılı entegrasyonuna iyi bir örnek Nature Fresh Farms'tır. Nature Fresh Farms, yapay zekâ teknolojisiyle faaliyetlerini tohumdan mağazaya kadar dönüştürdü. Yapay zekâ destekli sensörler ve veri analizi, seradaki iklim ve nem düzeylerinden ürün taşımacılığının lojistiğine kadar her şeyin izlenmesine ve yönetilmesine yardımcı oluyor. Nature Fresh Farms, yetiştirme koşullarını iyileştirdi, sulamayı denetim altına aldı ve maliyetleri düşürdü. Yapay zekâ sistemi ayrıca ürünlerin paketlendikten sonraki 24 ila 48 saat içinde süpermarket raflarına ulaşmasını sağlayarak taşıma süresini önemli ölçüde kısaltıyor ve tazeliği koruyor.

Pek çok faydasına rağmen, meyve endüstrisinde AI kullanmanın bazı olası sakıncaları vardır:

• Uygulama maliyeti: AI teknolojisine yönelik ilk yatırım yüksek olabilir ve bu durum bazı çiftçiler ve üreticiler için engel oluşturabilir.
• Teknolojiye bağımlılık: AI ve teknolojiye aşırı ölçüde güvenmek, özellikle teknik sorunlar veya arızalar olduğunda yönetilmesi zor olabilecek bir bağımlılık yaratabilir.
• Bakım ve idame: AI sistemlerinin etkili çalışması için düzenli bakım ve güncellemeler gerekir; bu da sürekli maliyetleri ve operasyonel karmaşıklığı artırabilir.
• Kullanım karmaşıklığı: Bazı çiftçiler AI teknolojisini anlamakta ve kullanmakta zorlanabilir; bu nedenle eğitim ve destek gerekebilir.

Geleceği yetiştirmek#

AI, tohum seçiminden meyvelerin olgunlaşmasına kadar çiftlikten sofrana uzanan ürün yaşam döngüsünün tamamında tarımı değiştiriyor. Çiftçilerin toprak sağlığını izlemesine, hasat için en uygun zamanı tahmin etmesine ve ürünleri doğru biçimde sınıflandırmasına yardımcı oluyor. Kaynakları optimize ederek, atıkları azaltarak ve ürün verimini artırarak tarımı daha verimli ve sürdürülebilir hâle getiriyor. Maliyetler, teknik uzmanlık ihtiyacı ve veri kalitesine bağımlılık gibi zorluklara rağmen AI'nin avantajları çoğu durumda bu zorlukları göze almaya değer kılıyor. Bu yüzden giderek daha fazla çiftçi AI'yi benimsiyor.

Yapay zekâ hakkında öğrenmeye devam etmek için topluluğumuzla bağlantıda kal! Yapay zekâyı üretim ve sağlık gibi sektörlerde yenilikçi çözümler geliştirmek için nasıl kullandığımızı GitHub depomuzda keşfet.