## Uvod u tehnološku revoluciju u voćnjaku
U svijetu poljoprivrede, posebno u voćnjacima, točna procjena prinosa ključna je za učinkovito upravljanje resursima. Nedavne inovacije, poput primjene algoritma Yolo za otkrivanje objekata, otvaraju nova vrata u procjeni prinosa trešanja. Ova tehnologija omogućuje poljoprivrednicima da točno prate koliko voća svako stablo proizvodi, čime se poboljšava upravljanje zdravljem tla i usjeva.
## Što je Yolo?
Yolo (You Only Look Once) je napredni algoritam za otkrivanje objekata koji koristi kamere za analizu i brojanje trešanja prilikom žetve. Ovaj sustav omogućuje stvaranje detaljnih mapa prinosa, što je ključno za optimizaciju rada u voćnjacima. Povećanje prinosa i smanjenje potrošnje vode postaju moguće zahvaljujući preciznom mjeravanju.
## Anderson Safre i njegove inovacije
Anderson Safre, diplomski student na Utah State University, dao je novi impuls ovoj tehnologiji koristeći dvije verzije algoritma: Yolov8 i Yolo11. Korištenjem dodatnog algoritma za praćenje, nastoje prebrojati trešnje dok se beru. Izlaz broja uspoređuje se s stvarnim utezima voća, što omogućuje procjenu točnosti Yolo sustava.
Safre ističe važnost automatizacije u mehaničkom prikupljanju trešanja, što se prakticira još od 1960-ih. Njegova vizija seže prema povezivanju kamera s transportnim trakama, čime se poboljšava način praćenja prinosa.
## Izazovi s otkrivanjem malih objekata
Iako Yolo nudi široke mogućnosti za otkrivanje voća, certifikacija za različite vrste plodova predstavlja izazov. Detaljno se mora raditi na prilagodbi algoritma za voće poput trešanja, koje često dolazi u manjim veličinama. Safre je testirao različite verzije Yolo algoritma, analizirajući njihove prednosti i mane prema točnosti i brzini.
## Razlika između Yolov8 i Yolo11
Prilikom usporedbe Yolov8 i Yolo11, Safre je otkrio da je nova verzija slična prethodnici, ali uključuje ključna poboljšanja. Iako su veće verzije pružale nešto bolju točnost, zahtijevale su i više računalnih resursa. Manje verzije, poput Nano, dobro su funkcionirale i omogućile su praktično raspoređivanje na mikroračunalima poput Raspberry Pi.
## Izvori neizvjesnosti
Istraživanje je također pokazalo izvore neizvjesnosti u procjeni prinosa. U nekim slučajevima, odnos između broja plodova i njihove težine nije je uvijek linearan, a kvaliteta i kut kamere značajno utječu naPrecision. Okluzija, što znači da se plodovi međusobno preklapaju, predstavlja dodatni izazov za algoritme.
## Obećavajući rezultati
Safre i njegov tim uspjeli su razviti metodu koja procjenjuje prinos s pogreškom od samo 10 kilograma, što je izvanredno, s obzirom na broj plodova i probleme s okluzijom. Ova preciznost otvara mogućnost za daljnje unapređenje tehnologije u voćnjacima.
## Važnost za upravljanje voćnjacima
Upravitelji voćnjaka sada mogu na temelju podataka dobivenih s ovih sustava tražiti optimalne mjere kako bi poboljšali hranjenje i planirali radne resurse. Ova metoda obezbjeđuje im uvid u čimbenike koji utječu na prinos i pomaže u boljem upravljanju skladištenjem i otpremom voća.
Pročitajte više o Safreovom radu i inovacijama u ovoj oblasti u njihovom znanstvenom radu [ovdje](https://www.sciencedirect.com/science/article/pii/S2772375525001819?via%3Dihub).
