Research Article

Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini

Volume: 7 Number: 2 July 1, 2026
EN TR

Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini

Abstract

Bu çalışmada domateslerde sertlik özelliğinin hasarsız olarak tahmin edilmesi için iki farklı ışık kaynağı kullanarak iki farklı yansıma modunda alınan Vis/NIR spektral okumaları, standart yöntemler ile ölçülen sertlik özellikleri ve çalışma kapsamında geliştirilen doğrusal ve makine öğrenmesine dayalı doğrusal olamayan farklı tahmin modellerini kullanılmıştır. Çalışmada hedeflenen en önemli amaçlardan biri doğrusal tahmin modelleri ile makine öğrenmesine ve derin öğrenme tekniklerine dayalı olarak geliştirilen tahmin modellerinin domates sertlik özelliklerinin tahmin edilmesi sürecinde karşılaştırılması olmuştur. Bu kapsamda aynı veri grubunu kullanarak daha önceki bir çalışmada geliştirilip kullanılan PLS (kısmi en küçük kareler) regresyon modeli ile bu çalışma kapsamında geliştirilen ve kullanılan 1DCNN (bir boyutlu evreşimli sinir ağları) regresyon, LSTM (uzun-kısa süreli bellek) regresyon, SVM (destek vektör makinesi) regresyon ve PCR (temel bileşen regresyonu) regresyon modelleri ile elde edilen sertlik tahmin sonuçları karşılaştırılmıştır. Elde edilen sonuçlara bakıldığında DH-2000-BAL ışık kaynağı yardımı ile alınan yansıma modu spektrumlarının kullanılması ile daha iyi sertlik tahmin değerlenin alındığı sonucuna varılmıştır. Bunun yanında, çalışmada ele alınan farklı sertlik tahmin modelleri kıyaslandığında, DH-2000-BAL ışık kaynağının kullanılması ile alınan spektrumların kullanıldığı makine öğrenmesine dayalı 1DCNN regresyon modeli ile elde edilen tahmin sonuçlarına ait kararlılık katsayısı (R2) 0.83 olurken (RMSEP=263.49), çalışma kapsamında geliştirilen tüm tahmin modelleri (1DCNN, LSTM, SVM ve PCR) ile elde edilen sertlik tahmin değerleri önceki çalışmada PLS regresyon modeli ile elde edilen sertlik tahmin değerlerinden daha iyi olmuştur.

Keywords

Supporting Institution

TÜBİTAK-118O679, YÖK, TÜBİTAK-BİDEB

Project Number

TÜBİTAK-118O679

Ethical Statement

Araştırmacıların Katkı Oranı: Yazarlar makaleye eşit oranda katkı sağlamış olduklarını beyan eder. Çıkar Çatışması Beyanı: Makale yazarları aralarında herhangi bir çıkar çatışması olmadığını beyan ederler.

Thanks

Teşekkür: Bu araştırma makalesi, Aysun İğdeci’ nin “Makinalı öğrenme ve VIS/NIR spektroskopi kullanarak domateslerin içsel kalite kriterlerinin tahmin edilmesi” başlıklı doktora tezinin bir parçasıdır. Çalışmada kullanılan veriler, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) 118O679 numaralı hızlı destek projesi ile desteklenmiş önceki bir çalışmada elde edilmiştir. Bunun için TÜBİTAK’a teşekkürlerimizi sunarız. Teşekkür: Birinci yazar, doktora öğrenimi süresince 100/2000 YÖK Doktora Bursu’ndan (2020–2024, Tarım ve Hayvancılıkta Dijital Teknolojiler alanında) ve TÜBİTAK-BİDEB 2211-C Yurt İçi Öncelikli Alanlar Doktora Burs Programı’ndan (2022–2025, Makine Öğrenmesi ve Yapay Zekâ öncelikli alanında) yararlanmıştır. Sağladıkları desteklerden dolayı her iki kuruma da teşekkür ederiz.

References

  1. Anonim. (2026a). Deep Learning Tutorial for Beginners: Neural Network Basics. https://www.guru99.com/deep-learning-tutorial.html. Son erişim tarihi: 23 Mayıs 2026.
  2. Anonim. (2026b). Introduction to Long Short Term Memory. Geeks for Geeks. https://www.geeksforgeeks.org/deep-learning-introduction-to-long-short-term-memory/. Son erişim tarihi: 23 Mayıs 2026.
  3. Bissadu, K. D., Sonko, S.ve Hossain, G. (2025). Society 5.0 enabled agriculture: Drivers, enabling technologies, architectures, opportunities, and challenges. Information Processing in Agriculture, 2025: 112-124.
  4. Chakravartula, S.S.N., Moscetti, R., Bedini, G., Nardella, M., & Massantini, R. (2022). Use of convolutional neural network (CNN) combined with FT-NIR spectroscopy to predict food adulteration: A case study on coffee. Food Control, 2022: 108816.
  5. Chanda, S., Hazarika, A.K., Choudhury, N., Islam, S.A., Manna, R., Sabhapondit, S., Tudu, B., & Bandyopadhyay, R. (2019). Support vector machine regression on selected wavelength regions for quantitative analysis of caffeine in tea leaves by near infrared spectroscopy. Journal of Chemometrics, (2019) 1-15.
  6. Çataltaş, O., & Tütüncü, K. (2021). A review of data analysis techniques used in near-infrared spectroscopy. Avrupa Bilim ve Teknoloji Dergisi, 25: 474-484.
  7. Ecarnot, M., Bączyk, P., Tessarotto, L., & Chervin, C. (2013). Rapid phenotyping of the tomato fruit model, Micro-Tom, with a portable VIS–NIR spectrometer. Plant Physiology and Biochemistry, 2013: 159-163.
  8. Feng, L., Zang, M., Adhikari, B., & Guo, Z. (2019). Nondestructive detection of postharvest quality of cherry tomatoes using a portable NIR spectrometer and chemometric algorithms. Food Analytical Methods, (2019) 12: 914-925.

Details

Primary Language

Turkish

Subjects

Modelling and Simulation

Journal Section

Research Article

Authors

Publication Date

July 1, 2026

Submission Date

June 4, 2026

Acceptance Date

June 24, 2026

Published in Issue

Year 2026 Volume: 7 Number: 2

APA
Iğdeci, A., & Kavdir, İ. (2026). Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ, 7(2), 115-130. https://izlik.org/JA94PM74RF
AMA
1.Iğdeci A, Kavdir İ. Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ. 2026;7(2):115-130. https://izlik.org/JA94PM74RF
Chicago
Iğdeci, Aysun, and İsmail Kavdir. 2026. “Vis-NIR Spektral Yansıma Ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini”. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ 7 (2): 115-30. https://izlik.org/JA94PM74RF.
EndNote
Iğdeci A, Kavdir İ (July 1, 2026) Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ 7 2 115–130.
IEEE
[1]A. Iğdeci and İ. Kavdir, “Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini”, BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ, vol. 7, no. 2, pp. 115–130, July 2026, [Online]. Available: https://izlik.org/JA94PM74RF
ISNAD
Iğdeci, Aysun - Kavdir, İsmail. “Vis-NIR Spektral Yansıma Ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini”. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ 7/2 (July 1, 2026): 115-130. https://izlik.org/JA94PM74RF.
JAMA
1.Iğdeci A, Kavdir İ. Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ. 2026;7:115–130.
MLA
Iğdeci, Aysun, and İsmail Kavdir. “Vis-NIR Spektral Yansıma Ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini”. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ, vol. 7, no. 2, July 2026, pp. 115-30, https://izlik.org/JA94PM74RF.
Vancouver
1.Aysun Iğdeci, İsmail Kavdir. Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini. BİLİM-TEKNOLOJİ-YENİLİK EKOSİSTEMİ DERGİSİ [Internet]. 2026 Jul. 1;7(2):115-30. Available from: https://izlik.org/JA94PM74RF