Traditional methods for assessing the quality, taste, and ripeness of fruits and vegetables without cutting rely on attributes such as color, shape, surface patterns, and acoustic responses. The ripeness levels were verified by cutting the watermelons, and the corresponding sound data were examined using spectrogram analysis, extracting 120 features from each sample. Various machine learning algorithms, including Support Vector Classifier (SVC), Decision Trees (DTC), Random Forest Classifier (RFC), Multi-Layer Perceptron (MLP), and K-Nearest Neighbors Classifier (KNC), were applied to identify the most effective predictive model. The results indicate that the KNC model achieved the highest accuracy at 96.04%, followed by the RFC model with an accuracy of 95.47%. The RFC model classified ripe watermelons with 98.2% accuracy, while the KNC model distinguished overripe and underripe watermelons with accuracies of 96.3% and 96.2%, respectively. Despite the presence of background noise in the naturally recorded dataset, the system demonstrated high performance across all categories. The findings were compared with studies on acoustic pattern recognition in animals, environmental acoustic analysis, and healthcare applications. This study highlights that machine learning-based models provide a non-invasive approach to determining watermelon taste and ripeness, offering a practical solution for applications in the agriculture and food industries.
Acoustic feature extraction Maturity prediction Mel Frequency Cepstral Coefficients Sound classification Supervised learning models
Sebze ve meyvelerin kesilmeden kalite, tat ve olgunluklarının değerlendirilmesine yönelik geleneksel yöntemler, renk, şekil, yüzey desenleri ve akustik tepkilere dayanmaktadır. Karpuzların olgunluk seviyeleri kesilerek doğrulanmış, ardından ses verileri spektrogram analizi ile incelenerek her örnekten 120 özellik çıkarılmıştır. Destek Vektör Sınıflandırıcısı (SVC), Karar Ağaçları (DTC), Rastgele Orman Sınıflandırıcısı (RFC), Çok Katmanlı Algılayıcı (MLP) ve K-En Yakın Komşu Sınıflandırıcısı (KNC) gibi çeşitli makine öğrenimi algoritmaları kullanılarak en etkili tahmin modeli belirlenmiştir. Sonuçlar, KNC modelinin %96,04 doğruluk oranı ile en iyi performansı sergilediğini, onu %95,47 doğruluk oranı ile RFC modelinin takip ettiğini göstermektedir. RFC modeli, olgun karpuzları %98,2 doğrulukla sınıflandırırken, KNC modeli aşırı olgun ve yeterince olgun olmayan karpuzları sırasıyla %96,3 ve %96,2 doğruluk oranlarıyla ayırt edebilmiştir. Doğal ortamlarda kaydedilen veri kümesinde arka plan gürültüsünün varlığına rağmen, sistem tüm kategorilerde yüksek bir performans sergilemiştir. Elde edilen bulgular, hayvanların ses desenleri, çevresel akustik analizler ve sağlık alanındaki uygulamalar üzerine yapılan çalışmalar ile karşılaştırılmıştır. Çalışma, makine öğrenimi tabanlı modellerin karpuzların tat ve olgunluk seviyelerini belirlemede invaziv olmayan bir yaklaşım sunduğunu ortaya koyarak, tarım ve gıda sektöründe pratik bir çözüm önerisi sunmaktadır.
Akustik özellik çıkarımı Mel Frekans Kepstral Katsayıları Olgunluk tahmini Ses sınıflandırma Gözetimli öğrenme modelleri
Birincil Dil | İngilizce |
---|---|
Konular | Hassas Tarım Teknolojileri |
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 26 Eylül 2025 |
Gönderilme Tarihi | 6 Mart 2025 |
Kabul Tarihi | 12 Eylül 2025 |
Yayımlandığı Sayı | Yıl 2025 Cilt: 14 Sayı: 3 |
Bu eser Creative Commons Atıf-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.