Akibu-AI, konveyör bant üzerinde ilerleyen meyveleri yapay zekâ destekli görüntü işleme ile tanıyan, sağlam–çürük ayrımını otonom gerçekleştiren ve lojistik süreçlere entegre eden bütünleşik bir akıllı sistem.
confidence: 0.97
confidence: 0.94
Tarımsal üretimde hasat sonrası kayıplar bazı meyve türlerinde %20–30 seviyelerine ulaşabiliyor. Akibu-AI, bu sorunu AI destekli otomasyon ile çözüyor.
Raspberry Pi Kamera ile alınan görüntüler, YOLOv8n deep learning modeli tarafından gerçek zamanlı analiz edilir.
MQ4, MQ135 gaz sensörleri ve DHT11 ile çürüme belirtileri, yalnızca görüntüyle değil, kimyasal verilerle de tespit edilir.
Sınıflandırılan meyveler otomatik olarak farklı vagonlara yönlendirilir. Sağlam meyveler satışa, çürükler geri dönüşüme aktarılır.
Sistem her analiz sonucunu sesli olarak bildirir. Operatör, ekrana bakmadan süreci izleyebilir.
Konveyörden kargoya kadar tamamen otonom çalışan 6 aşamalı pipeline.
Meyve banda yerleştirilir
RPi Cam Module 3
YOLOv8n + Gemini API
MQ4, MQ135, DHT11
Sağlam / Çürük karar
Kargo aracına yükleme
El yapımı konveyör bant üzerine meyveler tek tek yerleştirilir. DC motorlar ve L298N motor sürücü ile kontrol edilen bant, sabit hızda çalışarak meyveleri kamera alanına taşır. HC-SR04 mesafe sensörü, meyvenin konumunu algılar ve sistemi tetikler.
Sistemin beyni. YOLOv8n modelini çalıştırır, kamera görüntülerini işler, Arduino ile seri iletişim kurar ve tüm karar süreçlerini yönetir.
Sensör verilerini toplar (MQ4, MQ135, DHT11), servo motorları kontrol eder ve sınıflandırma kararlarını fiziksel mekanizmaya aktarır.
Meyve türü tanıma ve sağlam–çürük ayrımı için eğitilmiş nesne algılama modeli. Gerçek zamanlı inference ile 2 saniyenin altında sonuç üretir.
MQ4 (metan), MQ135 (hava kalitesi), DHT11 (sıcaklık/nem), HC-SR04 (mesafe) sensörleri ile çevresel veri toplama ve çürüme tespiti.
Yüksek çözünürlüklü kamera modülü, konveyör bant üzerindeki meyvelerin detaylı görüntülerini yakalar.
Sensör verilerinin yorumlanması ve ileri analiz için Gemini API entegrasyonu. Görüntü + sensör verisi birlikte değerlendirilir.
Kontrollü laboratuvar ortamında gerçekleştirilen deneysel testlerin sonuçları.
| Meyve Türü | Denenen | Doğru | Hatalı | Doğruluk |
|---|---|---|---|---|
| 🍎 Elma | 33 | 33 | 0 | %100 |
| 🍊 Portakal | 33 | 33 | 0 | %100 |
| 🍋 Limon | 34 | 33 | 1 | %97 |
Meyve sınıflandırma, görüntü işleme ve yapay zekâ üzerine akademik çalışmalar incelendi. Projenin kapsamı ve özgün yönleri belirlendi.
Sistem gereksinimleri belirlendi. Konveyör bant yapısı, kamera konumu, aydınlatma koşulları ve kontrol birimleri planlandı. 3D tasarımlar yapıldı.
YOLOv8n modeli eğitildi ve test edildi. Elma, limon ve portakal tanıma ile sağlam–çürük ayrımı optimize edildi.
Konveyör bant, motorlar, sensörler ve kargo sistemi entegre edildi. Deneysel çalışmalar başlatıldı ve 100 meyve ile testler gerçekleştirildi.
Nicel veriler analiz edildi, %99 doğruluk oranı doğrulandı. Proje raporu yazılarak süreç tamamlandı.
Sistem geliştirme ve yazılım geliştirme.
Sunum / poster hazılama
Her konuda destek ve rehberlik sağlar.
Proje hakkında sorularınız veya işbirliği teklifleriniz için bize ulaşabilirsiniz.
1.akifalpyavuz@gmail.com
+90 (551) 951 23 10
Pendik, İstanbul