Robotik Hasat (Robotic Harvesting)

Otonom hasat robotları, meyve ve sebzeleri insan işçiliği olmadan toplamak için bilgisayarlı görü, robotik manipülasyon ve makine öğrenmesi tabanlı karar verme bileşenlerini bir araya getirir. Hasat, birçok ürün için üretim maliyetlerinin %30-40'ını oluşturan en emek yoğun tarımsal işlemdir ve gelişmiş ülkelerde kronik iş gücü sıkıntısıyla karşı karşıyadır. Robotik hasat bu darboğazı hafifletmeyi hedefler; ancak tarımsal ortamların yapılandırılmamış ve değişken doğası, bunu robotik mühendisliğin en zorlayıcı uygulamalarından biri haline getirir.

Meyve Tespiti ve Olgunluk Değerlendirmesi İçin Bilgisayarlı Görü

Algılama boru hattı, bireysel meyveleri tespit etmeli, 3 boyutlu uzaydaki konumlarını tahmin etmeli ve olgunluğu değerlendirmelidir; tüm bunları değişken aydınlatma, yaprak örtüsü ve meyve kümelenmesi gibi zorlu dış mekân koşullarında yapmalıdır.

• Tespit: Object Detection modelleri (YOLO varyantları, Faster R-CNN, DETR), RGB veya RGB-D görüntülerde meyveleri konumlandırır. Performans, açık meyvelerde %90 mAP'yi aşarken ağır oklüzyon altında önemli ölçüde düşer
• Segmentasyon: Mask R-CNN veya U-Net gibi Semantic Segmentation mimarileri, hassas kavrama noktası tahmini için meyve sınırlarını belirler
• Olgunluk sınıflandırması: Renk, doku ve spektral özellikler üzerinde eğitilmiş Convolutional Neural Networks, olgunluk aşamalarını sınıflandırarak yalnızca olgun ürünlerin seçici hasadını mümkün kılar
• Derinlik tahmini: Stereo kameralar, yapılandırılmış ışık veya LiDAR, manipülatör yol planlaması için gereken 3 boyutlu lokalizasyonu sağlar. Birden fazla kamera açısından çoklu görünüş füzyonu, yoğun kanopilerdeki derinlik belirsizliklerini çözmeye yardımcı olur
• Oklüzyon işleme: Kısmi görünürlük en büyük tek zorluktur. Stratejiler arasında aktif algılama (ek görüş açıları elde etmek için kamerayı hareket ettirme), görünen kısımlardan tam meyve şeklini tahmin eden amodal tamamlama ağları ve kanopi manipülasyonu (yaprakları kenara itme) yer alır

Manipülatör Tasarımı ve Kontrolü

Mekanik kol, kanopinin içine uzanmalı, meyveyi kavramalı ve hasar vermeden kopartmalıdır:

• Serbestlik derecesi: 5-7 DOF kollar, dallar ve yapraklar etrafında gezinmek için gerekli erişim ve beceriyi sağlar. Kompakt tasarımlar kanopi bozulmasını en aza indirir
• Erişim ve çalışma alanı: Meyvelere yer seviyesinden 2+ metreye kadar erişim sağlanmalıdır. Teleskopik bağlantılar ve mobil taban platformları etkili çalışma alanını genişletir
• Hız: Meyve başına döngü süresi (tespit, erişim, kavrama, kopartma, yerleştirme) mevcut sistemlerde 4-15 saniye arasında değişirken, insan toplayıcılarda 2-4 saniyedir. Bu farkın kapatılması ekonomik uygulanabilirlik için kritiktir
• Yol planlama: Makine öğrenmesi tabanlı hareket planlayıcıları, döngü süresini en aza indirirken dallar ve komşu meyvelerle çarpışmadan kaçınır. Reinforcement Learning yaklaşımları, simülasyondan verimli al-ve-yerleştir yolları öğrenir

Yumuşak Tutucu Teknolojisi

Meyveler kolayca berelendiği için tutucu tasarımı belirleyici unsurlardan biridir:

• Pnömatik yumuşak tutucular, meyve şekline uyan şişirilebilir silikon parmaklar kullanarak temas basıncını eşit şekilde dağıtır
• Vakum emme kupaları, meyve yüzeyine tutunarak çeker; pürüzsüz kabuklu meyveler (domates, elma) için etkili olup düzensiz yüzeylerde zorlanır
• Yüzgeç ışın (Fin-ray) tutucular, temasta meyvenin etrafında bükülerek nazik bir sarımlı kavrama sağlar
• Tendon tahrikli az etkileşimli parmaklar, açık boyut algılaması olmaksızın değişen meyve boyutlarına uyum sağlar
• Kopartma mekanizmaları: Belirli ürünün sap mekaniğine uygun burma, kesme veya çekme hareketleri. Saplı ürünlerde (biber, salatalık) makas tipi kesiciler, elma için bur-ve-çek yaklaşımı kullanılır

Ürüne Özgü Sistemler

Hız ve Hasar Ölçümleri

Daha hızlı toplama verimi artırır ancak bereleme ve sap hasarı riskini de artırır. Makine öğrenmesi tabanlı kuvvet kontrolü, dokunsal sensör geri bildirimine dayalı olarak tutucu basıncını gerçek zamanlı ayarlar. Meyve biyomekanik özellikleri üzerinde eğitilmiş tahmin modelleri, hız ile hasar olasılığı arasında denge kurarak her bir meyve için maksimum güvenli tutucu kuvvetini tahmin eder. Dokunsal ve görsel eğitim verilerinin Data Augmentation ile artırılması, bu modellerin meyve boyutları ve olgunluk seviyeleri arasında daha iyi genellemesine yardımcı olur.

Ticari Hazırlık ve Ekonomi

2025 itibarıyla, robotik hasat makineleri açık tarla koşullarında insan işçiliğiyle tam ticari eşitliğe genel olarak ulaşabilmiş değildir. Smart Greenhouse sistemlerinin sunduğu kontrollü ortamlar (seralar, politüneller), robotların daha iyi performans gösterdiği daha yapılandırılmış çalışma alanları sağlar. Tevel'in elma toplama için geliştirdiği uçan otonom robotlar ve AppHarvest'in sera çilek sistemleri, ticari dağıtıma en yakın örnekler arasındadır. Ekonomik başabaş noktası tipik olarak meyve başına 6 saniyenin altında döngü süresi ve %85'in üzerinde başarılı toplama güvenilirliği gerektirir. Paralel toplayan çok kollu platformlar, rekabetçi verime giden bir yol sunabilir.

Bağlantılar

Robotik hasat, algılama boru hattı için büyük ölçüde Fruit Detection Counting'a ve gerçek zamanlı meyve lokalizasyonu için Object Detection mimarilerine dayanır. Semantic Segmentation, hassas kavrama planlamasını mümkün kılarken altta yatan Convolutional Neural Networks modelleri gerekli özellik çıkarma altyapısını sağlar. Hasat robotları, daha geniş Precision Agriculture vizyonunun, yani daha otonom tarım işlemlerinin, önemli bileşenlerinden biridir.

Ingest Edilen Makalelerden Bulgular

Meyve Hasat Robotlarının Güncel Durumu ve Gelecek Zorlukları

[Zhou et al., 2022] — Son 20 yılda geliştirilen 47 meyve hasat robotu sistemini kapsayan kapsamlı derleme çalışmasında, robotik hasat teknolojisinin mevcut durumu sistematik olarak değerlendirilmiştir. İncelenen uygulamalar çilek (12 sistem), domates (9), elma (8), tatlı biber (3), salatalık (3), kivi (3), portakal (2) ve diğer meyveleri kapsamaktadır. Görü sensörleri açısından RGB-D kameralar (ToF ve yapılandırılmış ışık) son yıllarda en popüler seçim haline gelmiş; stereo kameralar ise tarihsel olarak yaygın kullanımını sürdürmüştür. Derin öğrenme yöntemleri (YOLO varyantları, Faster R-CNN), geleneksel renk ve doku tabanlı yaklaşımların yerini alırken değişen dış aydınlatma koşullarında önemli doğruluk artışı sağlamıştır. Meyve ayırma yöntemleri arasında sap burma (%75 ortalama hasat başarı oranı) ve sap kesme (%65) en yaygın iki yaklaşım olarak belirlenmiştir. Kavrama yöntemlerinde temassız sistemler (vakum, hava) çilek ve domates gibi kırılgan meyveler için tercih edilirken, kavramalı yöntemler elma gibi daha dayanıklı meyvelerde uygulanmaktadır. 47 sistemin yalnızca 13'ü hasar oranını raporlamış olup standartlaştırılmış performans karşılaştırmasının eksikliği alanın temel sorunlarından biri olarak vurgulanmıştır. Ticari uygulanabilirlik için meyve başına 6 saniyenin altında döngü süresi ve %85 üzerinde başarı oranı eşik değer olarak belirtilmiş; çok kollu paralel toplama platformlarının bu hedefe ulaşmada en umut verici yaklaşım olduğu ifade edilmiştir.