İçeriğe atla
Üretim hattında yapay zeka ile yabanmersini şeker tahmini: gpVision ve radiai görseli
05.10.2026 Kaynak: freshplaza.com

Üretim hattında yapay zeka ile yabanmersini şeker tahmini: gpVision ve radiai

GP Graders’ın çoklu kamera ve derin öğrenme tabanlı platformu, yabanmersininde şeker oranını üretim hattı hızında, yok edici olmayan biçimde tahmin edebiliyor. Denemelerde ortalama hata 1.15 °Brix olarak bildirildi.

Üretim hattında yapay zeka ile yabanmersini şeker tahmini

Geleneksel meyve sınıflandırma sistemleri uzun yıllardır görsel ölçütlere dayanıyordu: renk, boyut, şekil ve dış kusurlar temel veri kaynağıydı. GP Graders, bu yaklaşımı genişleterek meyvenin dış görünüşünün ötesindeki iç kaliteyi tahmin etmeyi amaçlayan bir çözüm geliştirdi.

Şirketin gpVision ve radiai adlarını taşıyan platformu, monochrome, renkli ve yakın kızılötesi (NIR) kameralarından elde edilen çoklu görüntü verisini derin öğrenme modelleriyle birleştiriyor. Ortaya çıkan optik profilden, her bir yabanmersininin beklenen şeker düzeyi hakkında tahmin üretiliyor; süreç işleme hattı hızında ve meyveye zarar vermeden gerçekleşiyor.

Test sonuçları ve doğruluk

İlk saha testlerinde platformun performansı sayısal olarak raporlandı. Öne çıkan metrikler şunlar:

  • Ortalama mutlak hata (MAE): 1.15 °Brix
  • Ortalama yüzde doğruluk: %91.71
  • Numunelerin %53.2'si ±1.0 °Brix içinde
  • %70.1'i ±1.5 °Brix içinde
  • %76.6'sı ±2.0 °Brix içinde

Bu bulgular, otomatik sınıflandırmanın sadece dış görünüşü tanımlamaktan çıkarak iç kaliteye dair kestirimler de sunabileceğini gösteriyor.

Uygulama ve olası faydalar

Şeker ölçümünün artık ayrı bir laboratuvar işlemi olmaktan çıkarılıp, hat üzerinde elde edilebilmesi; üreticilere, paketleyicilere ve ihracatçılara bazı operasyonel avantajlar sağlayabilir. Bu avantajlar arasında kalite segmentasyonu, paketleme optimizasyonu ve tedarik zinciri boyunca tutarlılık sağlama yer alıyor.

Yenilik, meyve sınıflamada yalnızca kamera görüntülerine değil, veriye dayalı iç kalite değerlendirmelerine doğru bir kaymayı işaret ediyor. Böylece sınıflama kararları daha doğrudan tüketici algısı ve tat beklentileriyle ilişkilendirilebilecek.

Teknik notlar ve erişim

Platform, üç farklı görüntüleme türünü kullanarak spektro-görsel veriyi çok boyutlu bir profil haline getiriyor ve derin öğrenme ile bu profilden tat (şeker) tahmini yapıyor. Daha fazla teknik detay ve iletişim bilgileri için GP Graders’ın ilgili sayfası kaynakta verilmiştir.

Kaynak bağlantısı: freshplaza.com/north-america/article/9879820/ai-grading-system-predicts-blueberry-sweetness-at-line-speed

Türkçe çeviri: Google Çeviri ile aç