Elektronik Burun Kullanılarak Arabika (Coffea Arabica) ve Robusta (Coffea Canephora) Kahvelerinin Ayrıştırılması

Abstract

Elektronik burun (e-burun), kahve, şarap ve bira gibi içeceklerin değerlendirmesinde kullanılan düşük maliyetli, koku üzerine yoğunlaşan bir cihazdır. Kahve, farklı kavurma derecelerinde instant veya içmeye hazır formda bulunan insanlık tarihinin en popüler içeceklerinden birisidir. Bu çalışmada geniş tüketim ağı bulunan Arabika ve Robusta türü kahvelerin tasarlanan elektronik burun cihazı ile ayrımlarının yapılması amaçlanmıştır. Bu amaç doğrultusunda MQ (MQ135, MQ2, MQ3, MQ5, MQ6, MQ7 ve MQ8) sensörleri kullanılarak bir elektronik burun düzeneği tasarlanmıştır ve kahve analizleri gerçekleştirilmiştir. Numunelerden alınan sinyaller arduino kartla işlenip MATLAB programına aktarılmıştır. Tasarlanan e-burun cihazının kahveleri ayırıp ayıramadığı ise sınıflandırma algoritmaları kullanılarak belirlenmiştir. Cihazdan alınan sinyal değerleri doğrusal ayırma analizi (LDA), Bayes, en yakın komşu (kNN-3, kNN-5, kNN-7 ve kNN-9), karar ağacı, oneR ve destek vektör analizi (SVM) algoritmaları kullanılarak sınıflandırılmıştır. Arabika ve Robusta ikili ayrımında en iyi sınıflandırma cevabı MQ7 sensöründen, karar ağacı algoritma analizi ile elde edilmiştir. MQ135 % 79.63 oranında ayrım yaparken, MQ2, % 78.46 ve MQ 7 % 80.92 oranında ayrım yapabildiği sonucuna varılmıştır. Elde edilen sinyallerin yorumlanmasında yürütülen sınıflandırma çalışmaları sonucunda en iyi sınıflandırmalar karar ağaçlarından (decision trees) elde edilmiştir ve diğer sınıflandırma yöntemlerine göre daha yüksek başarı sağladığı görülmüştür. Yürütülen bu çalışma ile kahve sektörü için önemli bir sorun olan daha ucuz kahvelerin kaliteli olanlar ile karıştırılması durumu hızlı ve ekonomik bir şekilde dizayn edilen e-burun düzeneği sayesinde tespit edilmiştir.

Keywords

• Elektronik burun
• Kahve
• Sensör
• Sınıflandırma
• MQ
• Arabika

References

1. Chiu, S. W., Tang, K. T. (2013). Towards a chemiresistive sensor-integrated electronic nose: A review. In Sensors 13(10), 14214-47.
2. Cortes, C., Vapnik, V. (2009). Support-vector networks. Chemical Biology & Drug Design. 297(3), 273–297.
3. Cover, T. M., Hart, P. E. (1967). Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 13(1), 21–27.
4. Dey, A. (2018). Semiconductor metal oxide gas sensors: A review. Materials Science and Engineering B, 206–217.
5. Eranna, G., Joshi, B. C., Runthala, D. P., Gupta, R. P. (2004). Oxide materials for development of integrated gas sensors-A comprehensive review. Critical Reviews in Solid State and Materials Sciences, 29(3-4), 111–188.
6. M. N., C., Willson, K. C. (1985). Coffee: Botany, Biochemistry and Production of Beans and Beverage. Clifford, M. N. (Ed.)
7. Martinez, A. M., Kak, A. C. (2001). PCA versus LDA. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(2), 228–233.
8. Safavian, S. R., Landgrebe, D. (1991). A Survey of Decision Tree Classifier Methodology. IEEE Transactions on Systems, Man and Cybernetics, 21(3), 660–674.

9. Salzberg, S. L. (1993). C4.5: Programs for Machine Learning by J. Ross Quinlan. Morgan Kaufmann. 235–240.
10. Taştan, Y. K. (2009). Sufi Şarabından Kapitalist Metaya Kahvenin Öyküsü. Akademik Bakış, 2(4), 53–86.
11. Wilkens, F. W., Hartman, J. D. (1964). Wilkens & Hartman: Electronic Analog. Journal of Food Science, 29(3), 608–612.