- Boylama hattında yapay zeka, kamerayla her ürünün rengini, boyunu ve yüzey kusurunu ölçüp ticari sınıfa atar; karar operatörün gözünde değil, eşiği yazılı bir modelde tutulur.
- Avrupa Birliği elma standardı Ekstra sınıfta yalnızca %5 tolerans tanır ve çapın 5 mm'lik bir bantta kalmasını ister; bu bant sekiz saatlik vardiyanın sonunda göz kararıyla tutulamaz.
- Mevcut boylama makinesine kamera istasyonu eklemek, çoğu paketleme evi için komple hat yenilemenin önüne geçer; belirleyici olan bandın hızı, aydınlatması ve ürünün döndürülüp döndürülmediğidir.
- Model eğitimi ürün ve çeşit başına binlerce etiketli görüntü ister; yayımlanmış bir elma çalışması 3 sınıf için 3.000 görüntüyle %92,42 doğruluğa ulaşmıştır.
- Geri dönüş hesabı üç kalemden kurulur: mevsimlik işçilik, ihracatta iade ve ceza riski, bir de 1. sınıf ürünün 2. sınıf fiyatına gitmesiyle oluşan sessiz fiyat kaybı.
Meyve sebze boylamada yapay zeka ile kalite sınıflandırma, paketleme hattındaki her ürünün kamerayla görüntülenip renk, çap, boy ve yüzey kusuru gibi ölçütlere göre otomatik olarak bir ticari sınıfa atanması ve sınıf bazında fiziksel olarak ayrıştırılmasıdır. Klasik boylama makinesi ürünü ağırlığına veya çapına göre ayırır. Yapay zeka katmanı bunun üzerine çürük, leke, ezik, deformasyon ve renk dönüşü gibi görsel kararları ekler. Böylece "kaç gram" sorusunun yanına "hangi sınıf" sorusunun cevabı da makine tarafında oluşur.
Göz kararı sınıflandırma paketleme evine ne kaybettiriyor?
Göz kararı sınıflandırma iki yönlü kayıp üretir. Birinci sınıf ürün ikinci sınıf kasaya düştüğünde fark, faturada hiç görünmeyen bir fiyat kaybı olarak kalır. Ters yöndeki hata ise daha pahalıdır: ikinci sınıf ürünün birinci sınıf paletine karışması, ihracatta parti reddine ve müşteri kaybına yol açar.
Bu kaybın büyüklüğü sektörün kendi verisinde görünür. Birleşmiş Milletler Gıda ve Tarım Örgütü'nün sürdürülebilir kalkınma hedefleri veri portalındaki gıda kaybı göstergesine göre hasattan perakende öncesine kadar olan küresel gıda kaybı 2023'te %13,3 seviyesindeyken, meyve ve sebzeler %25,4 ile tüm kategoriler içinde en yüksek kaybı veren grup. Üstelik bu oran 2015'teki %23,2'den yükselmiş durumda. Kayıp yalnızca çürümeden değil, yanlış elleçleme ve yanlış sınıflandırmadan da beslenir.
Riskin altındaki hacim de büyüyor. Türkiye İhracatçılar Meclisi verilerine dayanan sektör açıklamalarına göre yaş meyve sebze ihracatı 2026'nın ilk yarısında 2 milyar 353 milyon dolara ulaşarak ilk kez 2 milyar dolar eşiğini aştı; aynı dönemde 1 milyon 722 bin ton ürün sevk edildi. Sevk edilen her palet, sınıf tutarlılığının sınandığı ayrı bir denetim noktasıdır.
Vardiya etkisi bu tablonun üzerine biner. Sabah sekizde "ikinci sınıf" denen bir leke, akşam yedide aynı operatörün gözünde birinci sınıf sayılabilir. Mevsimlik işçiyle çalışan bir paketleme evinde bu kayma her hasat sezonunda sıfırdan başlar, çünkü geçen yılın eğitilmiş eli bu yıl hatta olmayabilir.
Ticari sınıf standartları gerçekte ne kadar dar?
Ticari sınıf standartları, gözle tutulması fiilen imkânsız sayısal bantlar tanımlar. Avrupa Birliği'nin elma pazarlama standardını güncelleyen 2021/1890 sayılı Komisyon Yönetmeliği, her sınıf için ayrı tolerans yüzdeleri ve Ekstra sınıfta 5 mm'lik bir çap tekdüzeliği şartı getirir. Asgari sınır 60 mm çap veya 90 gramdır; şeker oranı 10,5 Briks ve üzerindeki ürünlerde bu eşik 50 mm ve 70 grama iner.
| Sınıf | Kalite toleransı | Tolerans içinde izin verilen en kötü durum |
|---|---|---|
| Ekstra | %5 (Sınıf I şartlarını karşılamak kaydıyla) | En fazla %0,5 Sınıf II kalitesinde ürün |
| Sınıf I | %10 (Sınıf II şartlarını karşılamak kaydıyla) | En fazla %1 asgari şartların altında veya çürük |
| Sınıf II | %10 (asgari şartları da karşılamayan) | En fazla %2 çürük ürün |
Boy toleransı ise her üç sınıf için %10'dur. Pratik anlamı şudur: Ekstra sınıf bir partinin yüz biriminden yalnızca beşi bir alt sınıfa kayabilir ve bunların da en fazla yarım tanesi Sınıf II olabilir. Bir insanın saatte binlerce ürün üzerinde bu oranı tutturması beklenemez; bandı tutan şey ölçüm disiplinidir.
Bu sistem genel kamera muayenesinden nasıl ayrılır?
Taze meyve sebze sınıflandırması, fabrika muayenesinden farklı bir makine ve farklı bir karar tipi ister. Metal bir parçanın yüzey kusuru ikili bir karardır: hatalı ya da hatasız. Bunun nasıl çalıştığını kamera tabanlı yapay zeka ile kalite kontrol rehberimizde ayrıntılı anlattık. Taze üründe ise karar üç ya da dört kademeli bir sınıf atamasıdır ve doğru cevap ürünün çeşidine, olgunluğuna, hatta alıcının ülkesine göre değişir.
Ambalajlı gıdanın denetimi de ayrı bir konudur. Paketin içindeki yabancı madde, etiket doğruluğu ve dolum kontrolü gıda üretiminde yapay zeka ile güvenlik ve paket muayenesi yazısının alanına girer. Bu yazıdaki sistem ise ürün henüz paketlenmeden, çıplak haldeyken bant üzerinde sınıfına ayrılır. Farklı makine, farklı yerleşim, farklı alıcı.
Mevcut boylama hattına kamera mı eklenmeli, komple yeni hat mı?
Mevcut boylama hattına kamera istasyonu eklemek, çalışan bir tesis için neredeyse her zaman ilk denenecek seçenektir. Hattın mekanik ayrıştırma yeteneği zaten vardır; eklenen şey karar katmanıdır. Komple hat yenilemesi ancak mevcut makine ürünü kameranın göreceği biçimde taşıyamıyorsa gündeme gelir.
| Soru | Kamera eklemek yeterliyse | Komple hat gerekiyorsa |
|---|---|---|
| Ürün bant üzerinde dönüyor mu? | Döndürücü rulolu hat, tüm yüzey görülebiliyor | Ürün sabit kayıyor, arka yüz hiç görülmüyor |
| Ayrıştırma kaç kanala ayırabiliyor? | 3 ve üzeri sınıf kanalı mevcut | Tek çıkışlı, yalnızca kabul-ret |
| Hat hızı ölçülebilir ve sabit mi? | Enkoder veya sabit hız var | Hız değişken, konum takibi kurulamıyor |
| Aydınlatma kapalı kabine alınabilir mi? | Üstü kapatılabilir bir bölüm var | Hat tamamen açık, gün ışığı doğrudan vuruyor |
Aydınlatma kalemi küçük görünür ama sistemin doğruluğunu en çok belirleyen fiziksel koşuldur. Gün ışığının saat içindeki değişimi, modelin eğitildiği renk dünyasını kaydırır ve öğleden sonra doğruluk düşer. Kapalı kabin ve sabit aydınlatma, pahalı bir modelden daha fazla iş görür.
Model eğitimi için ürün başına kaç görüntü ve kaç sezon gerekir?
Model eğitimi ürün ve çeşit başına binlerce etiketli görüntü ister; bu sayı hedeflenen sınıf sayısıyla birlikte artar. Foods dergisinde 2022'de yayımlanan elma sınıflandırma çalışmasında araştırmacılar 2.400 eğitim ve 600 doğrulama görüntüsünden oluşan 3.000 görüntülük bir veri kümesiyle üç sınıflı bir ayrım kurmuş, ortalama %92,42 doğruluk ve 94,31 F1 skoru elde etmiştir. Kusurlu bölgelerin piksel düzeyinde ayrıştırılmasında ise %99,66'lık bir doğruluk bildirilmiştir.
Sezon sayısı ayrı bir sorudur. Tek sezonda toplanan veri, o yılın hava koşullarını ve o parselin ürün karakterini taşır. Rekoltenin düşük, kabuk renginin farklı olduğu bir sonraki yılda model eski bilgisiyle karar verir ve sapar. Gerçekçi plan, ilk sezonu veri toplama ve gölge modla geçirmek, ikinci sezonda modeli yeni görüntülerle yeniden eğitmektir. Bu, bir kerelik satın alma değil, sürekli beslenen bir sistemdir; yapay zeka için veri hazırlığı kontrol listemiz bu döngünün altyapısını anlatır.
Bir noktanın altını çizmek gerekir: çeşit değiştiğinde veri de değişir. Granny Smith için eğitilmiş bir model Starking üzerinde güvenilir çalışmaz. Aynı durum havuçta menekşe ve sofralık çeşitler için de geçerlidir.
Yanlış ret oranı neden doğruluk oranından daha kritiktir?
Yanlış ret oranı, sağlam ve üst sınıf bir ürünün model tarafından hatalı biçimde alt sınıfa atılma yüzdesidir ve doğrudan cebe dokunur. Genel doğruluk oranı yüksek görünürken yanlış ret yüksek olabilir, çünkü tek bir yüzde iki farklı hata tipini birbirine gizler.
Hesabı kendi rakamlarınızla yapın; aşağıdaki sayılar yalnızca yöntemi göstermek için seçilmiş örnek değerlerdir. Günde 40 ton işleyen bir paketleme evinde %2'lik yanlış ret, günde 800 kilogram birinci sınıf ürünün ikinci sınıf fiyatından satılması demektir. Kilogram başına 5 liralık bir sınıf farkı varsayarsanız bu, günde 4.000 lira ve 90 günlük bir sezonda 360.000 lira eder. Kendi sınıf fiyat farkınızı ve gerçek tonajınızı yerine koyduğunuzda tablo değişir, mantık değişmez. Aynı sistemin engellediği tek bir ihracat iadesi ise bu tutarın katı olabilir. Bu yüzden tedarikçiden istenecek şey tek bir doğruluk yüzdesi değil, sınıf bazında karışıklık matrisidir: hangi sınıf hangi sınıfa ne sıklıkla karışıyor?
Yatırımın geri dönüşü hangi kalemlerden kurulur?
Yatırımın geri dönüşü üç ayrı kalemden toplanır ve bunların ağırlığı işletmeden işletmeye değişir. Birincisi sınıflandırma masasındaki mevsimlik işçilik giderinin azalması, ikincisi ihracatta iade ve ceza riskinin düşmesi, üçüncüsü de doğru sınıflanan ürünün hak ettiği fiyattan satılmasıdır. Üçüncü kalem çoğu işletmede en büyüğüdür, çünkü kayıt altına alınmadığı için hiç fark edilmez.
İhracat tarafındaki risk yasal olarak da tanımlıdır. T.C. Ticaret Bakanlığı'nın tarım ürünlerinin dış ticaret denetimleri sayfasında belirtildiği üzere, ihracatta ticari kalite denetimi 76 ürün standardı kapsamında 168 ürünü kapsar ve denetimin açıkça sayılan amaçlarından biri ithalat noktasında sorun çıkmasının ya da malın reddedilmesinin önüne geçilmesidir. Hat üzerinde tutulan sınıf kaydı, böyle bir denetimde ve olası bir uyuşmazlıkta elinizdeki tek nesnel belgedir. Geri dönüş hesabını kurgularken izlenecek genel yöntemi yapay zeka yatırımının geri dönüşünü ölçme rehberimizde adım adım bulabilirsiniz.
Sınıf dağılımı raporu üretici ve parsel bazında ne işe yarar?
Sınıf dağılımı raporu, hattan geçen her partinin hangi üreticiden ve hangi parselden geldiğini sınıf yüzdeleriyle eşleştirir. Bu eşleştirme, paketleme evini alım masasında elinde veri olan taraf haline getirir: "bu bahçeden gelen malın %31'i ikinci sınıf çıkıyor" cümlesi, ertesi sezonun alım fiyatını ve üreticiye verilecek teknik tavsiyeyi belirler.
Konya için bu rapor özellikle anlamlıdır. Konya İl Tarım ve Orman Müdürlüğü'nün havuç üretimi değerlendirmesine göre Türkiye'deki havuç ekili alanın %45,8'i Konya'dadır ve üretimin %57,3'ü bu ilden karşılanmaktadır; Kaşınhanı çevresindeki yıkama, paketleme ve soğuk hava tesisleri bu hacmin kalbidir. Yüzlerce ayrı üreticiden gelen ürünü tek bir markanın kasasında buluşturan bir yapıda, sınıf verisi olmadan tedarik kalitesini yönetmenin yolu yoktur. Parsel bazlı rekolte ve hastalık verisiyle birleştiğinde tablo tamamlanır; bu tarafı Konya'da tarımda yapay zeka ile rekolte ve hastalık tahmini yazımızda ele aldık.
Kurulum hasat sezonunun neresine denk getirilmelidir?
Kurulum, hasat sezonunun tam ortasına asla denk getirilmemelidir. Hat durduğunda ürün beklemez ve devreye alma sırasında yaşanacak bir haftalık aksama, sistemin bir sezonda sağlayacağı kazancı silebilir.
Doğru takvim iki parçalıdır. Sezon içinde yalnızca kamera ve aydınlatma donanımı takılır, sistem gölge modda çalışır: karar verir ama hatta müdahale etmez, yalnızca kendi kararıyla operatörün kararını yan yana kaydeder. Sezon kapandıktan sonraki ölü dönemde biriken bu veriyle model eğitilir, eşikler kalibre edilir ve ayrıştırma mekaniği devreye alınır. Böylece sistem ikinci sezona, sizin ürününüzü kendi hattınızda görmüş olarak girer.
Nereden başlamalı?
Başlangıç noktası teklif toplamak değil, hattı ölçmektir. Bant hızı, ürünün dönüp dönmediği, mevcut ayrıştırma kanal sayısı ve aydınlatma koşulu belirlenmeden hiçbir fiyat teklifi anlamlı değildir. Tesisinizde hat üzerinde bir fizibilite ziyareti yapalım: mevcut boylama makinenize kamera istasyonu eklenip eklenemeyeceğini, ürününüz için gereken veri hacmini ve gerçekçi bir geri dönüş takvimini birlikte çıkaralım.