YOLO-LSBA: Küçük boy kiraz domateslerin saplarını tespit için yüksek kesinlikli bir model

Daha akıllı domates toplamanın önemi

Kiraz domatesler lezzetlidir fakat otomatik olarak hasat edilmeleri beklenenden zor olabilir. İnsan toplayıcılar her meyvenin asma ile bağlandığı narin sapı görüp temiz bir şekilde kesebilir; oysa robotlar yapraklar, dallar ve değişen ışık arasında gizlenmiş bu küçük hedefle mücadele eder. Bu çalışma, robotların bu ince sapları doğru ve hızlı bir şekilde tespit etmesine yardım eden yeni bir bilgisayarlı görme modeli sunar; böylece tam otomatik kiraz domates hasadı modern çiftlikler için daha gerçekçi hale gelir.

İnce sapları görmenin zorluğu

Sera ortamlarında kiraz domates salkımları farklı yönlere asılır, birbirleriyle örtüşür ve leke leke güneş veya gölge altında kalır. Mevcut çoğu görme sistemi hasat için nispeten büyük, yuvarlak ve renkli olan meyveleri tespit etmeye odaklanır. Saplar ise ince, kısmen gizlenmiş ve yakındaki dallarla kolayca karışır. Oysa bu saplar, robotun olgun meyveleri ezmeden veya bitkiye zarar vermeden nereden ve nasıl keseceğini belirler. Yazarlar, güvenilir sap tespitinin domatesleri tanımak ile robotik bir kola sahip olmanın arasındaki eksik halka olduğunu savunuyor.

Sınırlı veriden daha zengin bir resim oluşturmak

Araştırmacılar, Çin'in kuzeyindeki bir seradan farklı ışık koşullarında ve çeşitli açılardan çekilmiş 3.000 domates bitkisi görüntüsü ile işe başladı. Her domatesi olgun, olgun değil veya sap olarak etiketlediler ve ardından veri arttırma teknikleriyle veri kümesini dört katından fazla genişlettiler. Görselleri rastgele çevirme, kırpma, aydınlatma artırma/azaltma ve görsel gürültü ekleme ile 12.000'in üzerinde görüntü oluşturarak gerçek dünya varyasyonlarını taklit ettiler. Bu daha zengin koleksiyon, sapların sönük, kısmen gizlenmiş veya kafa karıştırıcı arka planlarla çevrili olduğu durumlarda modelin sapların görünümünü öğrenmesine yardımcı olur.

İnce ayrıntılar için ayarlanmış bir görme modeli

Çalışmanın merkezinde, gerçek zamanlı bir algılayıcı olarak bilinen popüler bir modelin geliştirilmiş bir versiyonu yer alır: YOLO. YOLO-LSBA adındaki yeni model, domates sapları gibi küçük, ince yapılar için özel olarak ayarlanmıştır. Yükseltmenin bir kısmı, ağın görüntünün daha geniş bir alanına "bakmasına" olanak tanırken ince ayrıntıları izlemeye devam etmesini sağlıyor; bu, sapları yapraklardan ve desteklerden ayırma yeteneğini artırır. Başka bir bölüm, bilgi akışını görüntünün genişliği ve yüksekliğiyle ile renk kanalları arasında yeniden düzenleyerek gereksiz sinyalleri budar; böylece model sap benzeri ince desenlere daha fazla dikkat verir. Üçüncü bileşen ise farklı ölçeklerdeki özellikleri dikkatlice birleştirir, büyük meyvelerden gelen güçlü sinyallerin ince sap imzalarını bastırmasını önler.

Modeli teste sokmak

Takım, her yeni bileşenin sap tespitine nasıl katkıda bulunduğunu görmek için kapsamlı deneyler yaptı. Geliştirilmiş mimarinin sap tanıma doğruluğunu önemli ölçüde artırırken, modeli çiftlik robotlarında sık kullanılan küçük bilgisayarlara uygun kadar hafif tuttuğunu buldular. Karşılaştırma testlerinde YOLO-LSBA, özellikle zor sap kategorisinde, diğer kompakt YOLO sürümleri ve SSD ile Faster R-CNN gibi geleneksel sistemler dahil olmak üzere birkaç iyi bilinen algılama modelini geride bıraktı. Yazarlar daha sonra modeli bir Raspberry Pi tek kartlı bilgisayara ve sera saha denemelerine dağıttılar; model video girdisiyle başa çıktı ve meyveler üst üste binse veya aydınlatma kötü olsa bile sapları doğru şekilde işaretledi.

Geleceğin tarım robotları için anlamı

Basitçe söylemek gerekirse, çalışma robotların kiraz domateslerin hassas saplarını dikkatli bir insan toplayıcıya neredeyse eşdeğer güvenilirlikle "görebilecek" şekilde eğitilebileceğini ve bunu mütevazı donanımda yapabileceğini gösteriyor. YOLO-LSBA modeli sap tespitinde yaklaşık yüzde 97 civarında bir doğruluk sağlarken gerçek zamanlı kullanım için yeterince hızlı çalışıyor. Bu, hasat robotlarının her domates salkımına yaklaşmasını, en güvenli kesim noktasını bulmasını ve meyveleri temiz ve nazikçe çıkarmasını mümkün kılıyor. Yazarlar daha çeşitli saha verilerine ve uzun vadeli testlere hâlâ ihtiyaç olduğunu belirtse de, yaklaşımları yalnızca domatesler için değil, kümelenmiş diğer ürünler için de daha akıllı toplama sistemleri için pratik bir yol haritası sunuyor.

Atıf: Liu, Q., Chen, F., Zhang, H. et al. YOLO-LSBA: A high-precision model for detecting stems of small-sized cherry tomatoes. Sci Rep 16, 15552 (2026). https://doi.org/10.1038/s41598-026-46348-6

Anahtar kelimeler: kiraz domates hasadı, meyve sapı tespiti, tarım robotik, bilgisayarlı görme, YOLO modeli