Research Article
BibTex RIS Cite

Kabuklu Fındık Meyvesinde Derin Öğrenme Tabanlı Kusurlu Meyvelerin Tespiti

Year 2023, , 271 - 276, 29.10.2023
https://doi.org/10.29278/azd.1365477

Abstract

Amaç: Bu çalışmada, fındıktaki kaliteyi artırabilmek amacıyla kabuklu fındıkta kusurlu olanları manuel bir süreç olmaktan çıkartıp otomatik olarak tanımlanması için bir yöntem geliştirilmesi hedeflenmiştir. Çatlak, kırık, delik gibi kusurlu fındıkların derin öğrenme tabanlı bir yapay zeka modeli ile sınıflandırması amaçlanmıştır.
Materyal ve Yöntem: Çalışmada kullanılacak veri kaynağı için cep telefonu vasıtasıyla fotoğraf çekilmesi suretiyle veriler kayıt altına alınmıştır. Kayıt altına alınan veriler bir etiketleme uygulaması sayesinde kusurlu ve sağlam olmak üzere 2 sınıfa ayrılmıştır. Son olarak etiketlenen veriler test, validasyon ve eğitim olmak üzere 3 parçaya ayrılmıştır. Facebook firmasının geliştirmiş olduğu Detectron2 uygulaması üzerinde Faster R-CNN modeli çalıştırılmıştır.
Araştırma Bulguları: Araştırmada dijital dönüşüm adımı olarak bir görüntü işleme teknolojisiyle kusurlu ve sağlam fındıklar mAP ölçeğine göre %92 başarı ile tespit edilmiştir.
Sonuç: Fındıkta kaliteyi ve randımanı arttırmak için sağlam fındık ile kusurlu fındığın ayıklanması gerekmektedir. Bu süreçte bir karar destek sistemi olarak görüntü işleme ile kusurlu fındığın tespit edilmesi çalışması yapılmıştır. Yapılan deney sonuçlarına göre kusurlu fındığın %92 başarı ile tespit edildiği gösterilmiştir. Yapılan bu çalışma kusurlu fındığın ayıklama sürecinde yardımcı bir yapay zeka uygulaması olarak kullanılabilecektir.

Ethical Statement

Bu çalışma etik onay gerektiren herhangi bir insan veya hayvan araştırması içermemektedir.

Supporting Institution

OGZA Teknoloji AŞ

Thanks

Bu çalışmada kullanılan verinin etiketleme süreci OGZA Teknoloji AŞ tarafından yapılmış olup, elde edilen veriler hibe edilmiştir.

References

  • Bayrakdar, S., Çomak, B., Başol, D., & Yücedag, İ. (2015, May). Determination of type and quality of hazelnut using image processing techniques. In 2015 23nd Signal Processing and Communications Applications Conference (SIU) (pp. 616-619). IEEE.
  • Boyar, T., & Yıldız, K. (2022). Powdery Mildew Detection in Hazelnut with Deep Learning. Hittite Journal of Science and Engineering, 9(3), 159-166.
  • Deng, Z., Sun, H., Zhou, S., Zhao, J., Lei, L., & Zou, H. (2018). Multi-scale object detection in remote sensing imagery with convolutional neural networks. ISPRS journal of photogrammetry and remote sensing, 145, 3-22.
  • Giraudo, A., Calvini, R., Orlandi, G., Ulrici, A., Geobaldo, F., & Savorani, F., (2018). Development of an automated method for the identification of defective hazelnuts based on RGB image analysis and colourgrams. Food Control, 94, 233-240. https://doi.org/10.1016/j.foodcont.2018.07.018
  • İslam, A., (2021). Fındık. Nobel yayınları, Yayın no: 3893, ISBN: 978-625-417-388-2, Ankara.
  • Korkmaz A., & Ağdaş, M.T. (2023), Deep Learning-Based Automatic Helmet Detection System in Construction Site Cameras, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 12(3), 773-782, Sep. 2023, doi:10.17798/bitlisfen.1297952
  • Korkmaz, A., & Büyükgöze, S. (2019). Sahte web sitelerinin sınıflandırma algoritmaları ile tespit edilmesi. Avrupa Bilim ve Teknoloji Dergisi, 16, 826-833. DOI: 10.31590/ejosat.598036
  • Label Sudio (t.y.). Image Labeling Tool. Erişim adresi https://labelstud.io/
  • Pallottino, F., Menesatti, P., Costa, C., Paglia, G., De Salvador, F. R., & Lolletti, D. (2010). Image analysis techniques for automated hazelnut peeling determination. Food and Bioprocess Technology, 3, 155-159.
  • Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards real-time object detection with region proposal networks. Advances in neural information processing systems, 28.
  • Solak, S. ve Altınışık, U. (2018). Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(1),56-65.
  • Tan, F. G., Yüksel, A. S. Aydemir, E., Ersoy, M. (2021). Derin öğrenme teknikleri ile nesne tespiti ve takibi üzerine bir inceleme. Avrupa Bilim ve Teknoloji Dergisi, 25,159-171.
  • Ünal, Z. & Aktaş, H., (2023). Classification of hazelnut kernels with deep learning. Postharvest Biology and Technology, 197, 1-9. https://doi.org/10.1016/j.foodcont.2018.07.018
  • Wu, Y., Kirillov, A., Massa, F., Lo, W.Y., & R. Girshick, (2019), Detectron2, Erişim Adresi: https://github.com/facebookresearch/detectron2.
  • Yıldız, T. (2020). Türkiye’de fındık tarımında hasat-harman mekanizasyonu. Tarım Makineleri Bilim Dergisi, 16(1), 12-22.

Deep Learning-Based Detection of Defective Fruits in Shelled Hazelnut Fruits

Year 2023, , 271 - 276, 29.10.2023
https://doi.org/10.29278/azd.1365477

Abstract

Objective: This study aims to develop a method to automatically identify defects in shelled hazelnuts, eliminating the need for a manual process, in order to increase the quality of hazelnuts. It is also aimed to classify hazelnuts with defects such as cracks, breaks and holes with a deep learning-based artificial intelligence model.
Materials and Methods: In this paper, first, a literature review was conducted for hazelnuts. The dataset to be used in the study, was prepared by taking photographs via a mobile phone. The prepared data is divided into 2 classes: defective and regular, thanks to a labelling tool. Finally, the labelled data is divided into 3 parts: testing, validation, and training. As an image processing algorithm, Faster R-CNN model was run on the Detectron2 application developed by Facebook.
Results: In this research, a digital transformation step, using image processing technology, defective and regular hazelnuts were detected with a success rate of 92% according to the mAP scale.
Conclusion: To increase the quality and yield of hazelnuts, regular hazelnuts and defective hazelnuts must be sorted out. A study was carried out to detect defective hazelnuts using image processing as a decision support system. According to the test results, it was shown that defective hazelnuts were detected with 92% success. This study can be used as an artificial intelligence application to assist in the sorting process of defective hazelnuts.

References

  • Bayrakdar, S., Çomak, B., Başol, D., & Yücedag, İ. (2015, May). Determination of type and quality of hazelnut using image processing techniques. In 2015 23nd Signal Processing and Communications Applications Conference (SIU) (pp. 616-619). IEEE.
  • Boyar, T., & Yıldız, K. (2022). Powdery Mildew Detection in Hazelnut with Deep Learning. Hittite Journal of Science and Engineering, 9(3), 159-166.
  • Deng, Z., Sun, H., Zhou, S., Zhao, J., Lei, L., & Zou, H. (2018). Multi-scale object detection in remote sensing imagery with convolutional neural networks. ISPRS journal of photogrammetry and remote sensing, 145, 3-22.
  • Giraudo, A., Calvini, R., Orlandi, G., Ulrici, A., Geobaldo, F., & Savorani, F., (2018). Development of an automated method for the identification of defective hazelnuts based on RGB image analysis and colourgrams. Food Control, 94, 233-240. https://doi.org/10.1016/j.foodcont.2018.07.018
  • İslam, A., (2021). Fındık. Nobel yayınları, Yayın no: 3893, ISBN: 978-625-417-388-2, Ankara.
  • Korkmaz A., & Ağdaş, M.T. (2023), Deep Learning-Based Automatic Helmet Detection System in Construction Site Cameras, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 12(3), 773-782, Sep. 2023, doi:10.17798/bitlisfen.1297952
  • Korkmaz, A., & Büyükgöze, S. (2019). Sahte web sitelerinin sınıflandırma algoritmaları ile tespit edilmesi. Avrupa Bilim ve Teknoloji Dergisi, 16, 826-833. DOI: 10.31590/ejosat.598036
  • Label Sudio (t.y.). Image Labeling Tool. Erişim adresi https://labelstud.io/
  • Pallottino, F., Menesatti, P., Costa, C., Paglia, G., De Salvador, F. R., & Lolletti, D. (2010). Image analysis techniques for automated hazelnut peeling determination. Food and Bioprocess Technology, 3, 155-159.
  • Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards real-time object detection with region proposal networks. Advances in neural information processing systems, 28.
  • Solak, S. ve Altınışık, U. (2018). Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 22(1),56-65.
  • Tan, F. G., Yüksel, A. S. Aydemir, E., Ersoy, M. (2021). Derin öğrenme teknikleri ile nesne tespiti ve takibi üzerine bir inceleme. Avrupa Bilim ve Teknoloji Dergisi, 25,159-171.
  • Ünal, Z. & Aktaş, H., (2023). Classification of hazelnut kernels with deep learning. Postharvest Biology and Technology, 197, 1-9. https://doi.org/10.1016/j.foodcont.2018.07.018
  • Wu, Y., Kirillov, A., Massa, F., Lo, W.Y., & R. Girshick, (2019), Detectron2, Erişim Adresi: https://github.com/facebookresearch/detectron2.
  • Yıldız, T. (2020). Türkiye’de fındık tarımında hasat-harman mekanizasyonu. Tarım Makineleri Bilim Dergisi, 16(1), 12-22.
There are 15 citations in total.

Details

Primary Language Turkish
Subjects Agricultural Engineering (Other), Post Harvest Horticultural Technologies (Incl. Transportation and Storage), Sustainable Agricultural Development, Agricultural Policy
Journal Section Makaleler
Authors

Oğuzhan Kıvrak 0000-0001-5541-6749

Mustafa Zahid Gürbüz 0000-0002-5125-6378

Publication Date October 29, 2023
Published in Issue Year 2023

Cite

APA Kıvrak, O., & Gürbüz, M. Z. (2023). Kabuklu Fındık Meyvesinde Derin Öğrenme Tabanlı Kusurlu Meyvelerin Tespiti. Akademik Ziraat Dergisi, 12(Özel Sayı), 271-276. https://doi.org/10.29278/azd.1365477