Meyve Tespiti ve Sayımı (Fruit Detection and Counting)

Otomatik meyve tespiti, sayımı ve kalite derecelendirmesi; nesne tespiti ve görüntü sınıflandırmasını bahçe yönetimi, hasat lojistiği ve hasat sonrası işleme süreçlerine uygular. Bu sistemler, meyve hasadındaki işgücü açığını giderir, hasattan önce doğru verim tahmini yapılmasını sağlar ve geleneksel olarak öznel insan değerlendirmesine dayanan kalite sınıflandırmasını otomatikleştirir.

Hasat Öncesi: Bahçe İçi Tespit ve Sayım

Verim Tahmini

Hasattan önce ağaçlardaki meyvelerin sayılması, yetiştiricilerin işgücü, depolama, paketleme ve pazarlamayı planlamasını sağlar. İş akışı şu adımları içerir: 1. Görüntü elde etme (yer robotu, traktöre monte kamera veya İHA) 2. Nesne tespiti modelleri kullanılarak bireysel karelerde meyve tespiti 3. Örtüşen kareler arasında takip ve mükerrer eleme 4. Örneklenen kanopi görünümlerinden tüm ağaç ve tüm bahçe sayılarına ekstrapolasyon

Doğruluk zorlukları bahçe ortamından kaynaklanır: yaprak ve dallarla gizlenen meyveler, bireylerin birbirine temas ettiği veya örtüştüğü meyve kümeleri, güneş açısı ve kanopi gölgelerinden kaynaklanan değişken aydınlatma ve farklı olgunluk aşamalarında değişen renkte meyveler.

Nesne Tespiti Mimarileri

Baskın mimariler, yabancı ot tespitindekilerle örtüşür ancak meyvenin kendine has zorluklarına göre ayarlanmıştır:

• YOLO (v5-v8): Hız nedeniyle gerçek zamanlı uygulamalar için tercih edilir; tek aşamalı tespit meyve sayım kullanımına iyi uyar
• Faster R-CNN: Yoğun biçimde gizlenmiş veya kümelenmiş meyvelerde daha yüksek doğruluk; iki aşamalı tespit bölge önerisini sınıflandırmadan ayırır
• RetinaNet: Odak kaybı (focal loss), meyve ve arka plan pikselleri arasındaki sınıf dengesizliğini giderir
• Mask R-CNN: Örnek bölütleme (instance segmentation) piksel düzeyinde meyve maskeleri sağlayarak tespitin yanında boyut tahminine de olanak tanır
• DETR ve RT-DETR: Değişen meyve boyutları ve yoğun düzenlemeleri işlemede umut vaat eden Transformer tabanlı dedektörler

Ürüne Özgü Zorluklar

Elma: Nispeten büyük, çoğu zaman iyi ayrılmış, ancak çeşitler arasında renk dramatik biçimde değişir (kırmızı, yeşil, sarı). Yeşil yapraklara karşı yeşil elmalar özellikle zorlayıcıdır. Yapraklarla kısmi gizlenme yaygındır.

Narenciye (portakal, limon): Küresel şekil tespite yardımcı olur, ancak narenciye ağaçlarındaki yoğun kanopi yapısı ciddi gizlenmeye neden olur. Verimli ağaçlarda meyve kümelenmesi aşırıdır.

Çilek: Küçük meyve, yere yakın, yeşilden (ham) beyaza ve kırmızıya (olgun) kadar aşırı renk varyasyonu. Aynı bitkide birden fazla olgunluk aşaması bir arada bulunur. Seçici hasat için hassasiyet kritik önemdedir.

Üzüm: Bireysel meyve yerine salkım bazlı; tespit bireysel taneler yerine üzüm salkımlarını hedefler. Kanopi yönetimi (yaprak temizliği) tespit doğruluğunu önemli ölçüde etkiler. Şarap üzümü hasat zamanlaması için renge dayalı olgunluk değerlendirmesi önemlidir.

Mango, avokado ve tropikal meyveler: Ilıman iklim meyvelerine kıyasla sınırlı eğitim veri setleri. Tropikal üretim bölgeleri arasında oldukça değişken ağaç yapıları ve yetiştirme koşulları.

Hasat Robotları

Otomatik meyve hasadı, tespiti robotik manipülasyonla entegre eder: 1. Tespit ve konumlandırma: Stereo kameralar veya RGB-D sensörler 3B meyve pozisyonları sağlar 2. Kavrama planlaması: Makine öğrenmesi modelleri meyve ve ağaca zarar vermekten kaçınarak optimal yaklaşım açısını ve kavrama noktasını belirler 3. Hareket planlaması: Robot kolu dallar arasından geçerek hedef meyveye ulaşır 4. Koparma: Kavrayıcı veya vakum kolu meyveyi çıkarır; kuvvet kontrolü ezilmeyi önler 5. Yerleştirme: Meyve düşürülmeden toplama kabına bırakılır

Mevcut hasat robotları, meyve başına 5-10 saniye hızlarla %60-80 başarılı toplama oranları elde etmektedir; buna karşın insan toplayıcılar 2-4 saniyede çalışır. Ekonomik uygulanabilirlik, robot sermaye maliyetlerini karşılamak için %85+ başarı oranlarına ulaşmayı gerektirmektedir. Çilek ve elma hasat robotları ticari dağıtıma en yakın olanlardır.

Hasat Sonrası: Kalite Sınıflandırma

Konveyör Bant Derecelendirmesi

Yüksek hızlı sınıflandırma hatları, şerit başına saniyede 5-30 meyve işler: - RGB kameralar: Yüzey rengi, boyut ve şekil sınıflandırması - NIR sensörler: İç kalite göstergeleri (şeker içeriği, asitlik) - Hiperspektral görüntüleme: Çürük tespiti, iç kararma, kontaminasyon (gıda kalitesi derecelendirmesi ile bağlantılı) - X-ışını ve BT: İç boşluk tespiti, çekirdek sayımı, yabancı cisim belirleme

Makine öğrenmesi modelleri meyveleri birden fazla kritere göre eş zamanlı olarak kalite sınıflarına (Ekstra, Sınıf I, Sınıf II, ret) sınıflandırır. CNN tabanlı sınıflandırıcılar ikili kusur tespitinde %90-98, çoklu sınıf derecelendirmesinde tipik olarak %85-95 doğruluk elde eder.

Kusur Türleri

Yüzey kusurları şunları içerir: ezilme, skarlaşma, böcek zararı, güneş yanığı, pas, çürüme ve kalıntı. Her biri spesifik tespit yaklaşımları gerektirir -- ezilme, darbeden hemen sonra yüzeyde çoğu zaman görünmezdir ancak saatler içinde gelişir; bu nedenle soğutma sonrası inceleme gerektirir.

Teknik Değerlendirmeler

• Veri etiketleme maliyeti: Meyve tespiti veri setleri sınırlayıcı kutu veya bölütleme maskesi etiketlemesi gerektirir; bahçeler, ağaç yapısı değiştikçe mevsimler arası yeniden etiketleme gerektirir
• Alan uyarlama (Domain adaptation): Bir bahçede eğitilmiş modeller, çeşit, yetiştirme sistemi (telli ve serbest) ve yönetim farklılıkları nedeniyle başka bir bahçede kötü performans gösterebilir
• 3B rekonstrüksiyon: Hareket Tabanlı Yapı (Structure from Motion - SfM) ve çok görünümlü yaklaşımlar, birden fazla kamera açısından tüm ağaç meyve sayımına olanak tanıyarak gizlenme sorunlarını azaltır
• Sentetik veri: Bilinen meyve sayılarıyla eğitim görüntüleri üreten oluşturma motorları (Unity, Blender), sınırlı gerçek dünya etiketlemelerini tamamlar

Bağlantılar

Meyve tespiti, yabancı ot tespiti ve zararlı tespiti ile temel metodolojiyi paylaşır. Kalite derecelendirmesi doğrudan hasat sonrası kalite değerlendirmesine bağlanır. Bahçe izlemesi, kanopi düzeyinde sağlık değerlendirmesi için İHA tabanlı uzaktan algılamadan ve ıslah değerlendirmeleri için fenotiplemeden yararlanır.

Ingest Edilen Makalelerden Bulgular

[Gao & Zhang, 2023] — YOLOv8 tabanlı meyve tespiti. Tarımsal sektörde meyvelerin hassas tespiti için YOLOv8 mimarisinin uygulanması. Özel meyve veri seti oluşturularak çeşitli boyut, şekil, renk ve çevresel koşullar temsil edilmiştir. YOLOv8'in çapasız tespit başlığı, farklı meyve tiplerinin boyut çeşitliliğine iyi uyum sağlamıştır. Mevcut kıyaslama sonuçları (önceki YOLO versiyonları ve iki aşamalı dedektörler) aşılmıştır. Çalışma, tek aşamalı dedektörlerin hasat optimizasyonu, israf azaltma ve hassas tarım uygulamalarında pratik bir çözüm sunduğunu göstermiştir.

[Kamat et al., 2025] — Çilek ve avokado olgunluk tespiti için çok sınıflı nesne tespit kıyaslaması. Doğal koşullarda çekilen görüntülerde dört olgunluk aşaması (ham, kısmen olgun, olgun, çürük) tespit edilmiştir. YOLOv5, YOLOv6, YOLOv7 ve SSD-MobileNetV1 karşılaştırılmış; YOLOv6, %99,5 mAP ve 85,2 FPS ile en iyi doğruluk-hız dengesini sunmuştur. Hindistan'da yıllık meyve hasat sonrası kayıpların yaklaşık 29.000 crore (yaklaşık 3,5 milyar USD) olduğu belirtilerek, otomatik olgunluk tespitinin bu kayıpları azaltma potansiyeli vurgulanmıştır. Veri seti kamuya açık olarak paylaşılmıştır.