Kabuklu Fındık Meyvesinde Derin Öğrenme Tabanlı Kusurlu Meyvelerin Tespiti

Öz

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.

Anahtar Kelimeler

• Kusur Tespiti
• Yapay Zeka
• Süreç Yönetimi
• Teknoloji ve Yenilik Yönetimi
• Karar Destek Sistemleri

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

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.

Keywords

• Defect Detection
• Artificial Intelligence
• Process Management
• Technology and Innovation Management
• Decision Support Systems

References

1. 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.
2. Boyar, T., & Yıldız, K. (2022). Powdery Mildew Detection in Hazelnut with Deep Learning. Hittite Journal of Science and Engineering, 9(3), 159-166.
3. 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.
4. 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
5. İslam, A., (2021). Fındık. Nobel yayınları, Yayın no: 3893, ISBN: 978-625-417-388-2, Ankara.
6. 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
7. 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
8. Label Sudio (t.y.). Image Labeling Tool. Erişim adresi https://labelstud.io/

9. 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.
10. 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.
11. 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.
12. 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.
13. 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
14. Wu, Y., Kirillov, A., Massa, F., Lo, W.Y., & R. Girshick, (2019), Detectron2, Erişim Adresi: https://github.com/facebookresearch/detectron2.
15. Yıldız, T. (2020). Türkiye’de fındık tarımında hasat-harman mekanizasyonu. Tarım Makineleri Bilim Dergisi, 16(1), 12-22.