Bilim insanları ürünleri sınıflandırmak için hiperspektral görüntüleme kullandı.
Çoğu market müşterisi, mütevazı bir tatlı patatesi topraktan çıkarıp bir alışveriş sepetine taşımak için gerekenleri hafife alır. Hafif tatlı kırmızı kök sebze çeşitli boyutlarda ve lezzet profillerinde olabilir, ancak tüketiciler bir tutarlılık düzeyi bekler hale gelmiştir. Bu pazar talebini karşılamak için tatlı patatesler, çok sert, yeterince tatlı olmayan ya da başka bir şekilde satılamayacağı düşünülen istenmeyen partileri ayıklamak için zahmetli ve zaman alıcı kalite değerlendirme turlarına tabi tutulur. Bu süreç şu anda bir laboratuvarda insanlar tarafından metodik olarak gerçekleştiriliyor, ancak yeni bir çalışma hiperspektral kameraların ve yapay zekanın bu süreci hızlandırmaya yardımcı olabileceğini öne sürüyor.
Bu hafta Computers and Electronics in Agriculture dergisinde yayınlanan bir çalışmada, Illinois Üniversitesi’nden araştırmacılar, hiperspektral bir görüntüleme kamerası tarafından toplanan verilerin, genellikle manuel denetçiler ve testler tarafından belirlenen belirli patates özelliklerini daraltmaya yardımcı olup olamayacağını görmek için yola çıktılar. Hiperspektral kameralar elektromanyetik spektrum boyunca büyük miktarda veri toplar ve genellikle malzemelerin kimyasal yapısını belirlemeye yardımcı olmak için kullanılır. Bu durumda araştırmacılar patates görüntülerinden elde edilen verileri analiz ederek patatesin sertliğini, çözünebilir katı madde içeriğini ve kuru madde içeriğini (sebzenin genel lezzetine ve pazar cazibesine katkıda bulunan üç temel özellik) doğru bir şekilde belirleyip belirleyemeyeceklerini görmek istediler. Normalde bu süreç, test patateslerinin 103 santigrat derece fırında 24 saat boyunca ısıtılmasını da içerebilen sıkıcı ve bazen de israfa yol açan testler gerektiriyor.
Illinois Üniversitesi Tarım, Tüketici ve Çevre Bilimleri Fakültesi yardımcı doçenti Mohammed Kamruzzaman yaptığı açıklamada, “Geleneksel olarak, kalite değerlendirmesi laboratuvar analitik yöntemleri kullanılarak yapılır” dedi. “Laboratuvarda farklı özellikleri ölçmek için farklı cihazlara ihtiyacınız var ve sonuçları beklemeniz gerekiyor.”
Araştırmacılar 141 hatasız tatlı patates topladı ve birden fazla açıdan fotoğraf çekti. Hiperspektral görüntüleme, belirli değişkenleri arayan araştırmacılar için hem nimet hem de lanet olabilen veri selleri üretir. Bu sorunu çözmek için araştırmacılar, gürültülü verileri birkaç dalga boyuna filtrelemeye yardımcı olacak bir yapay zeka modeli kullandılar. Daha sonra bu dalga boylarını aradıkları belirli arzu edilen tatlı patates özelliklerine bağlayabildiler.
“Hiperspektral görüntüleme ile birçok parametreyi aynı anda ölçebilirsiniz. Sadece birkaç örneği değil, bir partideki her patatesi değerlendirebilirsiniz,” diye ekledi Kamruzzaman.
Yapay zeka ve hiperspektral kameralar sebze denetimini hızlandırabilir
Araştırmacılar, çiftçilerin ve gıda denetçilerinin hiperspektral görüntüleme ve yapay zeka kombinasyonunu kullanarak tatlı patatesleri temel özellikler açısından doğru ve uygun maliyetli bir şekilde tarayabileceklerini ve aynı zamanda geleneksel testlerin bir yan ürünü olarak ortaya çıkan gıda israfını azaltabileceklerini savunuyor. Bu özel çalışma tatlı patateslere odaklanmış olsa da, benzer taktiklerin bir dizi başka sebze ve meyvede de istenen özellikleri bulmak için kullanılması mümkündür. Kamruzzaman, kendisinin ve meslektaşlarının sonunda hızlı ve kolay bir şekilde taranan tatlı patates partileri oluşturmak istediklerini söylüyor. Tüketici tarafında ise araştırmacılar, bir gün market müşterilerinin bir patatesi taramak ve belirli özelliklerine bakmak için kullanabilecekleri bir uygulama geliştirmeyi öngörüyorlar. Teorik olarak böyle bir uygulama, müşterilerin ürünlerini garip bir şekilde okşamalarını azaltabilir.
Doktora öğrencisi ve çalışmanın başyazarı Toukir Ahmed, “Bunun tatlı patates değerlendirmesi için bu yöntemin yeni bir uygulaması olduğuna inanıyoruz” diye yazdı. “Bu öncü çalışma, çok çeşitli diğer tarımsal ve biyolojik araştırma alanlarında da kullanımın önünü açma potansiyeline sahip.”
Tarım endüstrisi, verimliliği artırmak ve artan çiftlik işgücü kıtlığının önüne geçmek için giderek daha fazla yapay zeka çözümlerine yöneliyor. Hollanda’daki otonom lale denetleme makinelerinden sürücüsüz John Deere traktörlerine kadar, dünyanın dört bir yanındaki çiftçiler bu yeni inovasyonların sonunda gıda fiyatlarını düşürebileceğini ve aynı zamanda kendi karlılıklarını artırabileceğini umuyor. Ancak tüm bunların tam olarak nasıl sonuçlanacağı henüz belli değil. Yapay zeka çözümlerinden elde edilen tarımsal kazanımların, tarımın bir kısmının hala elle yapıldığı ekonomik olarak gelişmekte olan ülkelere fayda sağlaması da daha uzun sürebilir.
*Bu yazı Can AI help tell the difference between a good and bad sweet potato? başlıklı yazıdan çevrilmiştir.
