PlantFarm Scan: GETEK ile Drone Görüntüsünden Ağaç Bazlı Bitki Sağlığı Analizi
Giriş
Bir ceviz bahçesinde binlerce ağaç var. Hastalık ya da su stresi çoğu zaman tek bir ağaçta, yapraklar sararmadan önce başlıyor ve bahçeyi yürüyerek gezen birinin bunu erken fark etmesi neredeyse imkânsız. Drone ile çekilen multispektral görüntü bu sorunun yarısını çözüyor: bitkinin gözle görülmeyen kızılötesi tepkisini ölçüyor. Diğer yarısı ise bu görüntüden hangi ağacın kötüye gittiğini çıkarmak.
PlantFarm, GETEK'in ağaç bazlı izlenebilirlik ve tarla yönetimi platformu. Platformun PlantFarm Scan ayağını GETEK ile birlikte geliştirdik: drone ortofotosunu alıp her ağacı tek tek bulan, sağlığını ölçen ve uçuştan uçuşa takip eden bir yapay zeka uygulaması.
Ne Yapıyor?
Kullanıcı, uçuştan çıkan GeoTIFF ortofotoyu yüklüyor. Gerisi şu adımlarla ilerliyor:
- Ağaç tacı tespiti: Kendi eğittiğimiz derin öğrenme modeli (Walnut AI) her ceviz ve badem ağacının tacını piksel düzeyinde çıkarıyor.
- Ağaç bazlı ölçüm: Her tacın içindeki pikseller üzerinden NDVI, NDRE, GCI gibi vejetasyon indeksleri hesaplanıyor. Ölçüm kutunun (bounding box) değil, gerçek taç maskesinin içinden yapılıyor; böylece ağaç arasındaki toprak ve çim ortalamayı bozmuyor.
- Kalıcı ağaç kimliği: Aynı ağaç, farklı tarihlerdeki uçuşlarda aynı kimliği alıyor. Bu, konuma dayalı bir eşleştirmeyle yapılıyor.
- Trend: Her ağacın indeks değerleri uçuş uçuş bir zaman serisine dönüşüyor. Proje genelinde yükselen, düşen ve sabit kalan ağaçlar sayılıyor, en kötü gidenler listeleniyor.
- Rapor: Haritada çizilen bir alan ve seçilen uçuşlar için PDF, Excel ya da CSV rapor alınabiliyor.
Bunlara ek olarak zemin sınıflandırması (toprak, kuru çim, yeşil çim, sağlıklı ağaç, hasta ağaç, gölge) ve her ağacı kendi çevresiyle kıyaslayan bir göreli canlılık ölçüsü var. Harita üzerinde TKGM parsel sınırını da sorgulamak mümkün.
Neden Hazır Bir Model Yetmedi?
İlk sürümde ağaçları NDVI eşiklemesiyle (Otsu yöntemi) ayırıyorduk: yeşil olan ağaç, olmayan değil. Bu, bahçede çimin ve yabani otun da yeşil olduğu ilk gerçek uçuşta çöktü. Birbirine değen taçlar tek bir leke gibi çıkıyor, çim kümeleri ağaç sayılıyordu.
Bu yüzden ağaç tespitini bir örnek segmentasyonu (instance segmentation) problemi olarak ele aldık ve modeli kendi uçuş görüntülerimizle eğittik. Modelin nasıl eğitildiğini, hangi kareleri seçtiğimizi ve hangi hatalardan ders aldığımızı ayrı bir yazıda anlattık.
Arayüzde Bir de Asistan Var
Sayılar tek başına karar vermeye yetmiyor; "bu ağacın NDRE'si üç uçuştur düşüyor, ne olabilir?" sorusunu sormak gerekiyor. PlantFarm Scan'deki AI Operator bu soruyu, projenin kendi ölçümleri ile ceviz hastalık literatürünü birlikte okuyarak yanıtlıyor. Şirket içinde, yerel bir dil modeli üzerinde çalışıyor. Detaylar RAG ile agronomi asistanı yazımızda.
Teknik Altyapı
| Katman | Kullandığımız |
|---|---|
| Görüntü işleme | Rasterio, NumPy, OpenCV, Shapely, Cloud Optimized GeoTIFF |
| Yapay zeka | YOLOv8-seg (özel eğitim), Ollama, bge-m3 embedding |
| Arka uç | Python, FastAPI, SQLAlchemy |
| Ön yüz | React, TypeScript, Leaflet |
| Dağıtım | Docker, NVIDIA GPU |
Harita karoları önceden üretilmiyor; her yakınlaştırmada istenen indeks ve renk skalasıyla anlık hesaplanıyor. Bu sayede kullanıcı NDVI'dan NDRE'ye geçtiğinde yeni bir işlem beklemiyor.
Sonuç
PlantFarm Scan, makine öğrenmesini bir demo olmaktan çıkarıp sahada her uçuşta çalışan bir araca dönüştürdüğümüz ilk büyük projemiz. Bu yaklaşıma endüstriyel yapay zeka (Industrial AI) diyoruz: kendi verinizle eğitilen model, eğitimde görmediği sahada ölçüm, sonra her gün çalışan bir uygulama. Aynı yaklaşımı tarımın dışına, harita çiziminden üretim hattına kadar başka alanlara da taşıyoruz.
Benzer bir ihtiyacınız varsa Industrial AI çözümümüz sayfasına göz atabilir ya da bizimle iletişime geçebilirsiniz.