AI destekli çilek sayımı ve olgunluk sınıflandırması
Görüntü işleme altyapısı; nesne tespiti, olgunluk sınıflandırması ve yoğunluk analizi ile her blokta kaç meyve olduğunu sınıf bazında çıkarır.
Model çıktıları sahadaki örneklem verileriyle kalibre edilir, güven skoruyla raporlanır ve düşük güven bölgeleri için yeniden tarama önerisi üretir.
-
01
Nesne tespiti + adet
Bitki, sıra ve blok bazında çilek adedi otomatik çıkarılır.
-
02
Olgunluk sınıflandırması
%0 / %25 / %50 / %75 / %100 olgunluk dağılımı üretilir.
-
03
Güven skoru + hata analizi
Düşük güven alanları işaretlenir ve doğrulama listesi oluşturulur.
Model hangi veriyi üretir?
Çilek sayımı modülü, ham görüntüyü operasyonel metriklere dönüştürür: adet, olgunluk sınıfı, yoğunluk ve güven skoru tek veri setinde birleşir.
Algoritmanın çözdüğü 3 teknik zorluk
Model kalitesi yükseldikçe saha kararlarının güvenilirliği artar.
Yoğun yaprak örtüsünde meyve kaçırma
Algoritma, görünürlüğü düşük bölgelerde çoklu örnekleme ile tespiti güçlendirir.
Değişken ışık ve gölge etkisi
Işık normalizasyonu ve sahaya özel eşiklerle yanlış sınıflandırma azaltılır.
Çeşit ve sera farklarında model sapması
Periyodik kalibrasyon ile farklı çeşitlerde model performansı dengelenir.
Problem → Çözüm → Faydalar
AI sayım motoru, olgunluk verisini güvenilir ve ölçülebilir hale getirir.
Problem
Elle sayım ve görsel tahmin, blok bazında tutarsız sonuçlar üretir.
Çözüm
Görüntüden adet + olgunluk sınıfı çıkaran AI model, düzenli kalibrasyonla çalışır.
Faydalar
- Daha stabil sayım doğruluğu
- Olgunluk bazlı önceliklendirme
- Operasyon için güven skorlu veri
Teknik Özellikler
AI tabanlı sayım sistemi, sınıflı tespit ve güven skoru üretir.
| Parametre | Detay |
|---|---|
| Model tipi | Computer vision detection + classification |
| Çıktı | Adet + olgunluk sınıfı + güven skoru |
| Doğrulama | Saha örneklemesi ile periyodik kalibrasyon |
| Entegrasyon | SeraERP API / CSV |
| Görselleştirme | Yoğunluk ve güven haritası |
| Uygulama | Sera + tünel alanlar |