Bilgisayarlı görü kullanarak ejder meyvesinin olgun olup olmadığı nasıl anlaşılır

Ejder meyvesi (pitaya, pitahaya veya çilek armudu olarak da bilinir); parlak pembe kabuğu, yeşil uçlu pulları ve benekli eti ile tanınır. Kökeni Orta ve Güney Amerika'ya dayanan bu egzotik meyve, anavatanından çok uzaklara yayılmıştır.

Günümüzde tüm tropikal bölgelerde yıl boyunca yetiştirildiği için dünyanın her yerindeki marketlerde yaygın olarak görülmektedir. Sağlığa olan faydalarıyla bilinen ejder meyvesi; C vitamini, magnezyum ve genel sağlığı destekleyebilecek antioksidanlar açısından iyi bir kaynaktır.

Ejder meyvesinin popülaritesi arttıkça ve daha fazla insan onu tüketmeye başladıkça, hasat zamanının ne zaman geldiğini bilmenin zorluğu da artmıştır. Hem çiftçiler hem de tüketiciler sıklıkla şu soruyu sormaktadır: Ejder meyvesinin olgun olup olmadığını nasıl anlayabilirsin?

Geleneksel olarak insanlar ejder meyvesinin olgunluğunu kabuk rengine, sertliğine veya pulların kurumasına göre değerlendirmiştir. Ancak bu işaretler tutarsızdır ve farklı ejder meyvesi çeşitlerine göre değişiklik gösterir.

Şekil 1. Şekillerine göre birden fazla kırmızı ejder meyvesi çeşidine genel bakış. (Kaynak)

Üreticiler için bu tutarsızlık, hasat değerinin kaybolması anlamına gelebilir. Tüketiciler içinse genellikle çekici görünen ancak lezzetten yoksun bir meyveyle sonuçlanır. Çiftçiler ve araştırmacılar bu zorluğu çözmek için teknolojiye yöneliyorlar.

Makinelerin görsel verileri yorumlamasını ve analiz etmesini sağlayan yapay zeka (AI) ve bilgisayarlı görü yardımıyla olgunluk tespiti daha tutarlı ve doğru hale geliyor. Örneğin, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri; nesne algılama ve örnek segmentasyonu gibi, meyveleri olgunluk açısından tanımlamak, ayırmak ve analiz etmek için kullanılabilen çeşitli görevleri destekler. Bu, çiftçilerin hasatları daha verimli bir şekilde sınıflandırmasına ve derecelendirmesine, hataları azaltmasına ve standartları tutarlı tutmasına yardımcı olur.

Bu makalede; ejder meyvesinin ne zaman olgunlaştığını anlamanın neden zor olduğuna, geleneksel yöntemlerin neden genellikle yetersiz kaldığına ve bilgisayarlı görünün olgunluk tespitini nasıl daha güvenilir hale getirdiğine daha yakından bakacağız. Hadi başlayalım!

Link to this sectionEjder meyvesinin olgunluğunu belirlemek neden zordur#

Olgunluk kontrolünün geleneksel yöntemlerine dalmadan önce, ejder meyvesinin ne zaman olgunlaştığını belirlemenin neden bu kadar zorlayıcı olabileceğine bir bakalım.

İlk bakışta ejder meyvesi tadını çıkarması kolay bir meyve gibi görünür: Kes, içini oy ve ye. Ancak bir tane seçmeyi deneyen herkes, asıl zorluğun ne zaman olgunlaştığını anlamak olduğunu bilir. Olgunlaştıkça belirgin işaretler gösteren muz, karpuz veya mangonun aksine, ejder meyvesi seni genellikle tahminde bulunmaya zorlar.

Kafa karışıklığının bir kısmı, sadece bir çeşit ejder meyvesi olmamasından kaynaklanır. Üç ana renk çeşidi vardır ve her biri biraz farklı olgunlaşır. Rengin yanı sıra, ejder meyveleri şekil, boyut ve kabuk özellikleri bakımından da farklılık gösterir. Bazılarının pulları daha uzunken, diğerleri daha yuvarlaktır.

İşte farklı ejder meyvesi türlerine daha yakından bir bakış:

• Beyaz ejder meyvesi: Küçük siyah tohumlarla benekli beyaz ete sahip olan en yaygın çeşittir.
• Kırmızı veya pembe ejder meyvesi: Macenta veya pembe ete ve onu özellikle dikkat çekici kılan canlı kırmızı bir kabuğa sahiptir.
• Sarı ejder meyvesi: Altın veya sarı kabuğu olan ve en tatlı çeşit olarak bilinen, daha az yaygın bir çeşittir.

Şekil 2. Rengine göre farklı ejder meyvesi çeşitleri. (Kaynak)

Link to this sectionEjder meyvesinin olgun olup olmadığını anlamanın geleneksel yolları#

Çiftçiler tarafından yapay zeka gibi ileri teknoloji benimsenmeden önce olgunluk kontrolleri, basit görsel ve dokunsal ipuçlarına dayanıyordu. Bu uygulamalar günümüzde hala çiftliklerde ve marketlerde yaygın olarak kullanılmaktadır.

İşte ejder meyvesinin olgun olduğunu gösteren bazı yaygın belirtiler:

• Kabuk rengi: Çoğu insan önce ejder meyvesinin kabuğuna bakar. Parlak pembe veya kırmızı ten rengi genellikle olgun olduğu anlamına gelirken, yeşil lekeler hala zamana ihtiyacı olduğu anlamına gelir. Sarı ejder meyvesi, az lekeli altın rengi bir kabuğa sahip olmalıdır. Ancak bu kural evrensel değildir. Bazı meyveler dışarıdan olgun görünür ancak içi hazır değildir, bazıları ise aşırı olgunlaştıkça lekelenir.

• Doku: Dokunma başka bir testtir. Olgun bir ejder meyvesi, tıpkı olgun bir avokado gibi basıldığında hafifçe esnemelidir. Çok sert hissediliyorsa muhtemelen hamdır. Çok yumuşak veya vıcık vıcık hissediliyorsa zaten aşırı olgunlaşmış olabilir. Ayrıca, ejder meyvesini tutma şeklin ve saklama koşulların meyvenin sertlik hissini değiştirebileceğinden, doku her zaman güvenilir değildir.

• Diğer işaretler: Ejder meyvesi çiftçileri bazen daha küçük detaylara güvenirler. Meyvenin bracts (yapraksı kanatları) olgunlaştıkça kurumaya ve kıvrılmaya başlayabilir ve sapın yakınındaki hafif tatlı bir aroma da bir ipucu olabilir. Bu ipuçları yardımcı olabilir, ancak belirsizdirler ve gözden kaçırılmaları kolaydır.

Link to this sectionGörüntü yapay zekası ejder meyvesi olgunluk tespitini nasıl değiştiriyor#

Kabuk rengi veya sertlik gibi geleneksel ipuçları faydalı olabilir, ancak genellikle tutarsızdırlar. Bilgisayarlı görü, binlerce etiketli görüntüden öğrenerek ve insanların gözden kaçırabileceği kalıpları tanıyarak ejder meyvesi olgunluk tespitini daha güvenilir hale getirir.

Örneğin, YOLO11'in nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi görevlere verdiği destek, model ilgili veri setleri üzerinde özel olarak eğitildiğinde meyveyi detaylı bir şekilde analiz etmek için kullanılabilir.

Özellikle, nesne algılama bir görüntüdeki ayrı meyveleri tanımlayabilir. Benzer şekilde, örnek segmentasyonu meyveler üst üste geldiğinde bile her birini çevresinden ayırabilir ve görüntü sınıflandırma, şekil, doku veya renk gibi özelliklere dayalı olarak etiketler atayabilir.

Şekil 3. Veri seti oluşturma için ham ve olgun ejder meyvesi görüntüleri. (Kaynak)

Link to this sectionOlgun ejder meyvesini tespit etmek için YOLO11'i eğitmek#

Kutudan çıktığı haliyle YOLO11, göreve bağlı olarak iyi bilinen veri setleri üzerinde önceden eğitilmiştir. Nesne algılama ve segmentasyon için, insanlar, hayvanlar ve arabalar gibi günlük nesneleri içeren COCO veri seti üzerinde önceden eğitilmiştir.

Görüntü sınıflandırma için, yine yaygın kategorilerden oluşan geniş bir yelpazeyi kapsayan ImageNet veri seti üzerinde önceden eğitilmiştir. Bu ön eğitim YOLO11'e güçlü bir başlangıç noktası sağlar, ancak ejder meyvesi olgunluk tespiti gibi özel görevler için hala özel bir veri seti üzerinde ince ayar yapılması veya eğitilmesi gerekir.

İşte YOLO11'in ejder meyvesi olgunluk tespiti için nasıl özelleştirilebileceğine dair bir genel bakış:

• Veri toplama: Binlerce ejder meyvesi görüntüsü farklı ışık koşullarında, açılarda ve büyüme aşamalarında çekilir. Her görüntü göreve göre etiketlenir. Görüntü sınıflandırma için etiketler ham, olgun ve aşırı olgun şeklinde olabilir. Nesne algılama veya örnek segmentasyonu için, meyvelerin konumunu ve ana hatlarını işaretlemek üzere meyvelerin etrafına sınırlayıcı kutular veya maskeler çizilir. Bu etiketli örnekler, YOLO11'e öğrenmesi gereken bilgileri sağlar.

• Model eğitimi: YOLO11'i eğitmek sıfırdan başlamaz. Transfer öğrenme yoluyla, COCO (algılama ve segmentasyon için) veya ImageNet (sınıflandırma için) gibi önceden eğitilmiş veri setlerinden öğrendiği görsel özellikleri temel alır ve bunları ejder meyvesinin özelliklerine uyarlar. YOLO11'i etiketli görüntülerle özel olarak eğitmek, modelin kabuk rengindeki değişimler, doku değişiklikleri ve meyve formundaki çeşitlilikler gibi olgunluk ipuçlarını yakalamasını sağlar.

• Doğrulama ve test: Eğitimden sonra YOLO11, doğrulama veya test seti adı verilen, daha önce görmediği ayrı bir ejder meyvesi görüntü seti üzerinde değerlendirilebilir. Tahminleri, doğruluğu ölçmek ve ham bir meyveyi olgun olarak yanlış sınıflandırmak gibi hataları tanımlamak için gerçek etiketlerle karşılaştırılır. Bu değerlendirme, aşırı öğrenmeyi (overfitting) önlemeye yardımcı olur ve modelin eğitim verilerini ezberlemek yerine ilgili olgunluk ipuçlarını öğrenmesini sağlar.

Link to this sectionBilgisayarlı görünün olgunluk tespitindeki gerçek dünya uygulamaları#

Şimdi, bilgisayarlı görünün gerçek dünyadaki tarım ve işleme süreçlerinde, özellikle ejder meyvesi hasadında nasıl uygulandığını inceleyelim.

Link to this sectionİzleme ve olgunluk değerlendirmesi için dronlar#

On yıllardır çiftçiler güneşin altında sıra sıra yürüyerek meyveleri elle kontrol etmek zorundaydı. Bu süreç yavaştı, emek yoğundu ve genellikle yaprakların altında gizlenen veya geniş tarlalara yayılan ince olgunluk işaretleri gözden kaçıyordu.

Günümüzde, meyve olgunluğunu izlemek için dronları ve bilgisayarlı görüyü kullanan yeni yaklaşımlar ortaya çıkıyor. Bu sistemler, renk ve dokudaki ince değişimleri ortaya çıkaran yüksek çözünürlüklü görüntüler yakalayarak gözle görülmesi zor olan bilgiler sunabiliyor.

Yalnızca manuel kontrollere güvenmek yerine, bilgisayarlı görü modelleri yakalanan görüntülerden olgunluğu yargılamaya yardımcı olabilir. Olgunluğu daha erken ve daha geniş ölçekte tanımlayarak, çiftçiler hasat planlamayı ve meyveyi zirve noktasında pazara getirmeyi daha iyi başarabilirler.

Link to this sectionOtomatik meyve toplama robotları#

Meyve toplamak tamamen zamanlama ile ilgilidir. Bir gün erken veya geç toplamak hasadın değerini düşürebilir, bu yüzden robotik tarımın bir parçası haline geliyor. Örneğin araştırmacılar, karmaşık ortamlarda meyveleri bulmak için bilgisayarlı görü ve nesne algılamayı kullanan ejder meyvesi hasat robotları geliştirdiler.

Bu tropikal meyve tanımlandıktan sonra robot, onu minimum hasarla hasat etmek için mekanik bir tutucuyu veya kıskaç kolunu yönlendirebilir. Bazı sistemler ayrıca bilgisayarlı görü kullanarak olgun meyveleri ham veya hasarlı olanlardan ayırmak için entegre sınıflandırma işlevlerine sahiptir. Aynı anda çalışan birden fazla robot kolu ile bu makineler, ürün hasarı riskini azaltırken insanlardan daha hızlı ve tutarlı bir şekilde hasat yapabilir.

Şekil 4. Olgun ejder meyvelerini toplayan görüntü özellikli bir robot örneği. (Kaynak)

Link to this sectionEjder meyvesi tespiti için görüntü yapay zekası kullanmanın artıları ve eksileri#

İşte ejder meyvesinde olgunluk tespiti için bilgisayarlı görü kullanmanın temel faydalarından bazıları:

• İsrafı azaltır: Doğru olgunluk tespiti, erken hasadı azaltır ve depolama ile nakliye sırasında hasarı önler.

• Tutarlı kaliteyi garanti eder: Çiftçiler meyveleri doğru olgunluk aşamasında tedarik edebilir, böylece tüketici güveni oluşturulur ve pazar değeri artırılır.

• Büyük ölçekli sınıflandırmayı destekler: Görüntü sistemleri, toplu hasatları hızlı ve hassas bir şekilde işleyebilir, bu da büyük manuel iş gücü ekiplerine olan ihtiyacı azaltır.

Öte yandan, ejder meyvesi tespiti için görüntü yapay zekası kullanırken dikkate alınması gereken birkaç sınırlama şunlardır:

• Veri bağımlılığı: Görüntü modelleri, farklı ışık koşullarında, açılarda ve büyüme aşamalarında çekilmiş geniş ve çeşitli ejder meyvesi veri setleri üzerinde eğitildiklerinde en iyi performansı gösterirler.

• Etiketleme çalışmaları: Bu veri setlerini hazırlamak, genellikle uzman girdisi gerektiren dikkatli bir etiketleme süreci ister ki bu da zaman alıcı ve emek yoğun olabilir.

• Yüksek maliyetler: Yapay zeka sistemlerini geliştirmek, eğitmek ve dağıtmak; donanım, yazılım ve teknik uzmanlık açısından önemli harcamalar içerebilir, bu da küçük çiftlikler için bir engel olabilir.

Link to this sectionÖne çıkanlar#

Bilgisayarlı görü, ejder meyvesinin hasat edilme ve sınıflandırılma şeklini dönüştürme potansiyeline sahiptir ve bu genel olarak tarım için de geçerlidir. Tarladan paketleme hattına kadar, görüntü destekli araçlar toplama, sınıflandırma ve paketleme işlemlerini kolaylaştırarak çiftçilerin meyveyi daha tutarlı bir şekilde sunmasına yardımcı olabilir. Teknoloji ilerledikçe, görüntü yapay zekasının tarımda çok daha büyük bir rol oynaması muhtemeldir.

Yapay zekayı keşfetmeye hazır mısın? Yapay zeka ve bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza ve GitHub depomuza katıl. Tarımda bilgisayarlı görü ve robotikte yapay zeka uygulamalarını daha fazla keşfetmek için çözüm sayfalarımızı ziyaret et. Lisanslama seçeneklerimize göz at ve bugün bilgisayarlı görü ile çalışmaya başla!