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
Destekleyen Kurum
OGZA Teknoloji AŞ
Etik Beyan
Bu çalışma etik onay gerektiren herhangi bir insan veya hayvan araştırması içermemektedir.
Teşekkür
Bu çalışmada kullanılan verinin etiketleme süreci OGZA Teknoloji AŞ tarafından yapılmış olup, elde edilen veriler hibe edilmiştir.
Kaynakça
- 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.