Bilgisayarlı görü kullanarak ejder meyvesinin olgunlaştığını nasıl anlarsın

Ejder meyvesi (pitaya, pitahaya veya çilek armudu olarak da bilinir); parlak pembe kabuğu, yeşil uçlu pulları ve benekli iç kısmıyla tanınır. Orta ve Güney Amerika kökenli bu egzotik meyve, ana vatanından çok uzaklara yayılmıştır.

Günümüzde tropikal bölgelerde yıl boyunca yetiştirilen bu meyve, her yerdeki pazarlarda sıkça görülür. Sağlığa faydalarıyla bilinen ejder meyvesi, genel sağlığı destekleyebilecek iyi bir C vitamini, magnezyum ve antioksidan kaynağıdır.

Ejder meyvesinin popülerliği arttıkça ve daha fazla insan bu meyveyi tüketmeye başladıkça, hasada hazır olup olmadığını anlama zorluğu da arttı. Çiftçiler ve tüketiciler sık sık şu soruyu soruyor: Ejder meyvesinin olgunlaştığını nasıl anlarsın?

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

Şekil 1. Şekil bakımından farklı kırmızı ejder meyvesi çeşitlerine bakış. (Kaynak)

Üreticiler için bu tutarsızlık, hasat değerinin düşmesi anlamına gelebilir. Tüketiciler ise çoğu zaman görünüşü çekici ama lezzeti yetersiz meyvelerle karşılaşır. Çiftçiler ve araştırmacılar bu sorunu çözmek için teknolojiye yöneliyor.

Makinelerin görsel verileri yorumlamasını ve analiz etmesini sağlayan yapay zekâ (AI) ve bilgisayarlı görü sayesinde olgunluk tespiti daha tutarlı ve doğru hâle geliyor. Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, meyveleri olgunluk açısından belirlemek, ayırmak ve analiz etmek için kullanılabilecek nesne algılama ve örnek segmentasyonu gibi çeşitli görevleri destekler. Bu, çiftçilerin hasadı daha verimli biçimde ayırıp sınıflandırmasına, hataları azaltmasına ve tutarlı standartları korumasına yardımcı olur.

Bu yazıda ejder meyvesinin olgun olup olmadığını anlamanın neden zor olduğuna, geleneksel yöntemlerin neden çoğu zaman yetersiz kaldığına ve bilgisayarlı görünün olgunluk tespitini nasıl daha güvenilir kıldığına daha yakından bakacağız.

Ejder meyvesinin olgunluğunu belirlemek neden zor?#

Olgunluğu kontrol etmenin geleneksel yöntemlerine geçmeden önce, ejder meyvesinin ne zaman olgunlaştığını belirlemenin neden bu kadar zor olabileceğine bakalım.

İlk bakışta ejder meyvesinin tüketimi kolay görünür: Kes, içini çıkar ve ye. Ancak meyve seçmeyi deneyen herkes, asıl zorluğun olgunlaşıp olgunlaşmadığını anlamak olduğunu bilir. Olgunlaşırken belirgin işaretler gösteren muz, karpuz veya mangonun aksine ejder meyvesi çoğu zaman seni kararsız bırakır.

Kafa karışıklığının bir nedeni, ejder meyvesinin tek bir çeşidinin olmamasıdır. Üç ana renk çeşidi vardır ve her biri biraz farklı biçimde olgunlaşır. Renklerinin yanı sıra ejder meyveleri şekil, boyut ve kabuk özellikleri bakımından da farklılık gösterir. Bazılarının pulları daha uzunken bazıları daha yuvarlaktır.

Ejder meyvesinin farklı türlerine daha yakından bakalım:

• Beyaz ejder meyvesi: Minik siyah tohumlarla beneklenmiş beyaz iç kısmıyla en yaygın çeşittir.
• Kırmızı veya pembe ejder meyvesi: Eflatun ya da pembe iç kısmı ve parlak kırmızı kabuğuyla özellikle dikkat çekicidir.
• Sarı ejder meyvesi: Altın sarısı veya sarı kabuğa sahip, daha az yaygın bir çeşittir ve en tatlı çeşit olduğu söylenir.

Şekil 2. Renk bakımından farklı ejder meyvesi çeşitleri. (Kaynak)

Ejder meyvesinin olgun olduğunu anlamanın geleneksel yolları#

Çiftçiler yapay zekâ gibi teknolojileri kullanmaya başlamadan önce olgunluk kontrolü basit görsel ve dokunsal ipuçlarına dayanıyordu. Bu uygulamalar günümüzde de çiftliklerde ve pazarlarda yaygın olarak kullanılıyor.

Ejder meyvesinin olgun olduğunu gösteren yaygın işaretlerden bazıları şöyle:

• Kabuk rengi: Çoğu kişi önce ejder meyvesinin kabuğunu kontrol eder. Parlak pembe veya kırmızı kabuk genellikle meyvenin olgun olduğu, yeşil lekeler ise biraz daha beklemesi gerektiği anlamına gelir. Sarı ejder meyvesinin kabuğu, az sayıda lekesi olan altın sarısı renkte olmalıdır. Ancak bu kural her zaman geçerli değildir. Bazı meyveler dışarıdan olgun görünür ama içleri henüz hazır değildir; bazılarıysa aşırı olgunlaştıkça lekelenir.
• Doku: Dokunmak da bir başka kontrol yöntemidir. Olgun bir ejder meyvesi, olgun avokado gibi bastırıldığında hafifçe esnemelidir. Çok sertse muhtemelen hamdır. Fazla yumuşak veya ezilmiş gibiyse aşırı olgunlaşmış olabilir. Meyvenin nasıl tutulduğu ve saklandığı, sertliğini değiştirebildiğinden doku da her zaman güvenilir değildir.
• Diğer işaretler: Ejder meyvesi çiftçileri bazen küçük ayrıntılara da dikkat eder. Meyve olgunlaştıkça yaprak benzeri brahtları veya kanatları kurumaya ve kıvrılmaya başlayabilir; sapın yakınındaki hafif tatlı bir koku da ipucu olabilir. Bu işaretler yardımcı olabilir, ancak çok belirsiz olduklarından gözden kaçmaları kolaydır.

Görsel AI, ejder meyvesinin olgunluk tespitini nasıl değiştiriyor?#

Kabuk rengi veya sertlik gibi geleneksel işaretler faydalı olabilir, ancak çoğu zaman tutarsızdır. Bilgisayarlı görü, binlerce etiketli görselden öğrenerek ve insanların gözden kaçırabileceği örüntüleri tanıyarak ejder meyvesinin olgunluk tespitini daha güvenilir hâle getirir.

Örneğin Ultralytics YOLO11'in nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması gibi görevleri desteklemesi, model ilgili veri kümeleriyle özel olarak eğitildiğinde meyvelerin ayrıntılı biçimde analiz edilmesini sağlayabilir.

Özellikle nesne algılama, görüntüdeki meyveleri tek tek belirleyebilir. Benzer şekilde örnek segmentasyonu, meyveler üst üste binse bile her birini çevresindekilerden ayırabilir; görüntü sınıflandırma ise şekil, doku veya renk gibi özelliklere göre etiket atayabilir.

Şekil 3. Veri kümesi oluşturmak için ham ve olgun ejder meyvelerinin görselleri. (Kaynak)

Olgun ejder meyvelerini tespit etmesi için Ultralytics YOLO11'i eğitmek#

Ultralytics YOLO11, kullanıma hazır hâliyle, göreve bağlı olarak iyi bilinen veri kümeleri üzerinde önceden eğitilmiştir. Nesne algılama ve segmentasyon için COCO veri kümesi üzerinde önceden eğitilmiştir; bu veri kümesi insan, hayvan ve araba gibi gündelik nesneleri içerir.

Görüntü sınıflandırması için, çok çeşitli yaygın kategorileri de kapsayan ImageNet veri kümesi üzerinde önceden eğitilmiştir. Bu ön eğitim Ultralytics YOLO11'e güçlü bir başlangıç noktası sağlar, ancak ejder meyvesinin olgunluğunu tespit etmek gibi özel görevler için özel bir veri kümesi üzerinde ince ayar yapılması veya özel eğitim verilmesi gerekir.

Ultralytics YOLO11'in ejder meyvesi olgunluk tespiti için nasıl özel olarak eğitilebileceğine dair genel bir bakış:

• Veri toplama: Farklı aydınlatma koşullarında, açılarda ve büyüme evrelerinde binlerce ejder meyvesi görseli çekilir. Her görsel, göreve uygun biçimde açıklanır. Görüntü sınıflandırması için etiketler ham, olgun ve aşırı olgun olabilir. Nesne algılama veya örnek segmentasyonu için meyvelerin konumunu ve sınırlarını belirtmek üzere çevrelerine sınırlayıcı kutular veya maskeler çizilir. Bu etiketli örnekler, Ultralytics YOLO11'e öğrenmesi için gereken bilgiyi sağlar.
• Model eğitimi: YOLO11 eğitimi sıfırdan başlamaz. Aktarım öğrenmesi yoluyla, algılama ve segmentasyon için COCO veya sınıflandırma için ImageNet gibi önceden eğitildiği veri kümelerinden öğrendiği görsel özellikleri temel alır ve bunları ejder meyvesinin özelliklerine uyarlar. YOLO11'in açıklama eklenmiş görsellerle özel olarak eğitilmesi, modelin kabuk rengindeki değişimler, dokudaki farklılıklar ve meyve biçimindeki çeşitlilikler gibi olgunluk işaretlerini öğrenmesini sağlar.
• Doğrulama ve test: Eğitimden sonra Ultralytics YOLO11, doğrulama veya test kümesi adı verilen, daha önce görmediği ayrı bir ejder meyvesi görseli kümesiyle değerlendirilebilir. Doğruluğu ölçmek ve ham bir meyveyi olgun olarak sınıflandırmak gibi hataları belirlemek için tahminleri gerçek etiketlerle karşılaştırılır. Bu değerlendirme, aşırı öğrenmeyi önlemeye ve modelin eğitim verilerini ezberlemek yerine ilgili olgunluk işaretlerini öğrendiğinden emin olmaya yardımcı olur.

Olgunluk tespitinde bilgisayarlı görünün gerçek dünyadaki uygulamaları#

Şimdi, özellikle ejder meyvesi hasadı başta olmak üzere, bilgisayarlı görünün gerçek dünyadaki tarım ve işleme süreçlerinde nasıl kullanıldığını inceleyelim.

İzleme ve olgunluk değerlendirmesi için dronlar#

Çiftçiler onlarca yıl boyunca güneş altında sıra sıra yürüyerek meyveleri elle kontrol etmek zorunda kaldı. Bu süreç yavaştı, yoğun emek gerektiriyordu ve yaprakların altında gizlenen veya geniş tarlalara yayılan olgunluk belirtilerini çoğu zaman gözden kaçırıyordu.

Günümüzde meyve olgunluğunu izlemek için dronlardan ve bilgisayarlı görüden yararlanan yeni yaklaşımlar ortaya çıkıyor. Bu sistemler, renkteki ve dokudaki ince değişimleri ortaya çıkaran yüksek çözünürlüklü görseller çekerek gözle fark edilmesi zor ipuçları sunabilir.

Yalnızca elle yapılan kontrollere güvenmek yerine, çekilen görsellerden olgunluğu değerlendirmeye bilgisayarlı görü modelleri yardımcı olabilir. Olgunluğu daha erken ve daha geniş ölçekte tespit edebilen çiftçiler, hasadı daha iyi planlayabilir ve meyveleri en iyi zamanında pazara sunabilir.

Otomatik meyve toplama için robotlar#

Meyve toplamada zamanlama her şeydir. Bir gün erken veya geç kalmak hasadın değerini düşürebilir; bu nedenle robotik tarımın bir parçası hâline geliyor. Örneğin araştırmacılar, karmaşık ortamlardaki meyvelerin yerini belirlemek için bilgisayarlı görü ve nesne algılamadan yararlanan ejder meyvesi hasat robotları geliştirdi.

Bu tropikal meyve belirlendikten sonra robot, meyveye en az zararı vererek hasat etmek için mekanik bir tutucuyu veya kıskacı yönlendirebilir. Bazı sistemlerde bilgisayarlı görü kullanarak olgun meyveleri ham veya hasarlı olanlardan ayıran entegre sınıflandırma işlevleri de bulunur. Birden fazla robot kolu aynı anda çalıştığında bu makineler, ürünün zarar görme riskini azaltırken insanlardan daha hızlı ve tutarlı biçimde hasat yapabilir.

Şekil 4. Olgun ejder meyvelerini toplayan, görme sistemiyle donatılmış bir robot örneği. (Kaynak)

Ejder meyvesi tespitinde görsel AI kullanmanın artıları ve eksileri#

Ejder meyvesinin olgunluk tespitinde bilgisayarlı görü kullanmanın temel faydalarından bazıları şöyle:

• Atığı azaltır: Doğru olgunluk tespiti, erken hasadı azaltır ve depolama ile nakliye sırasında oluşabilecek hasarı önler.
• Tutarlı kalite sağlar: Çiftçiler, meyveleri doğru olgunluk aşamasında sunarak tüketici güveni oluşturabilir ve pazar değerini artırabilir.
• Büyük ölçekli ayıklamayı destekler: Görüntü sistemleri, toplu hasatları hızla ve hassas biçimde işleyerek büyük iş gücü ekiplerine duyulan ihtiyacı azaltabilir.

Öte yandan ejder meyvesi tespitinde görsel AI kullanırken göz önünde bulundurman gereken bazı sınırlamalar şöyle:

• Veriye bağımlılık: Görsel modeller, farklı aydınlatma koşullarında, açılarda ve büyüme evrelerinde çekilmiş büyük ve çeşitli ejder meyvesi veri kümeleriyle eğitildiklerinde en iyi performansı gösterir.
• Etiketleme çalışmaları: Bu veri kümelerini hazırlamak, çoğu zaman uzman katkısı gerektiren dikkatli bir etiketleme süreci ister; bu da zaman alıcı ve yoğun emek gerektiren bir iştir.
• Yüksek maliyetler: AI sistemlerini geliştirmek, eğitmek ve devreye almak; donanım, yazılım ve teknik uzmanlık için önemli harcamalar gerektirebilir. Bu durum küçük çiftlikler için engel oluşturabilir.

Önemli çıkarımlar#

Bilgisayarlı görü, ejder meyvesinin hasat ve sınıflandırma biçimini ve genel olarak tarımı dönüştürme potansiyeline sahiptir. Tarladan paketleme bandına kadar görme destekli araçlar toplama, sınıflandırma ve paketleme süreçlerini kolaylaştırarak çiftçilerin meyveleri daha tutarlı biçimde sunmasına yardımcı olabilir. Teknoloji ilerledikçe görsel AI'ın tarımda daha da büyük bir rol oynaması muhtemeldir.

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