AI Summary & Key Takeaways
AI InsightThe results demonstrated that the SVM model achieved the highest predictive performance for walnut kernel weight estimation, with an accuracy of 98.14%.
📌 3 Key Takeaways
Abstract
A product undergoes several stages before reaching the consumer. Although cultivation is completed at harvest, ensuring that the product reaches consumers under optimal conditions is equally important. Postharvest processes, including transportation, storage, processing, and packaging, are influenced by numerous factors. Understanding the intrinsic characteristics of agricultural products is therefore essential for minimizing the adverse effects of these factors and for implementing appropriate management strategies. For many years, consumer preferences have primarily focused on the external appearance of fruits and nuts. In recent years, however, increasing attention has been directed toward internal quality attributes. Consequently, a major challenge for growers and marketers is the reliable assessment of internal quality characteristics without causing damage to the product. In this context, non-destructive techniques have gained considerable importance, as they enable the evaluation and prediction of internal quality parameters based on measurable external properties. The present study aimed to model walnut kernel weight using non-destructive approaches. To this end, several modelling techniques were evaluated, including multiple linear regression (MLR), principal component analysis (PCA), artificial neural networks (ANN), PCA combined with ANN (PCA+ANN), deep learning neural networks (DLNN), and support vector machines (SVM). The input variables included variety, walnut length (mm), width (mm), thickness (mm), walnut weight (g), geometric mean diameter (mm), sphericity (%), and cracking force (N). The results demonstrated that the SVM model achieved the highest predictive performance for walnut kernel weight estimation, with an accuracy of 98.14%. The ANN and DLNN models yielded accuracy values of 89.78% and 93.49%, respectively. In contrast, the hybrid PCA+ANN model exhibited a substantial decline in performance, achieving an accuracy of 58.8%. The MLR model produced an accuracy of 76.43%. Overall, the findings indicate that, among the evaluated machine learning techniques, the SVM approach provides the most accurate and robust predictions for non-destructive estimation of walnut kernel weight.
Özet
Bir ürün tüketiciye ulaşana kadar birçok aşamadan geçer. Ürünün yetiştirilmesi hasatla tamamlanırken, tüketiciye en iyi şekilde ulaşması hasat sonrasındaki sürece bağlıdır. Hasat sonrası süreç, taşıma, depolama, işleme, paketleme vb. işlemler birçok faktörün etkisi altında gerçekleşir. Bu faktörlerin etkisini azaltmak veya bu faktörlerin etkisini azaltmak için önlemler almak amacıyla ürünün özelliklerini bilmek çok önemlidir. Uzun yıllardır tüketiciler, meyve ve kabuklu yemişlerin dış özelliklerine büyük önem vermektedir. Ancak son yıllarda tüketicilerin meyve ve kabuklu yemişlerin iç kalite özelliklerine olan ilgisi de artmıştır. Üreticiler ve pazarlamacılar için en büyük zorluk, ürünlerin iç kalite özelliklerini tahribatsız bir şekilde belirleyebilmektir. Bu nedenle, günümüzde tahribatsız değerlendirme teknikleri büyük önem kazanmış ve ürünlerin iç ve dış kalite göstergelerinin tahmin edilmesine olanak sağlamıştır. Bu çalışmanın amacı, ceviz iç ağırlığını tahribatsız bir şekilde modellemektir. Bu amaç doğrultusunda çoklu doğrusal regresyon (MLR), temel bileşen analizi (PCA), yapay sinir ağı (ANN), temel bileşen analizi + yapay sinir ağı (PCA + ANN), derin öğrenme sinir ağı (DLNN) ve destek vektör makineleri (SVM) gibi farklı yöntemler test edilmiştir. Bu modeller için giriş değişkenleri; çeşit, ceviz uzunluğu (mm), ceviz genişliği (mm), kalınlık (mm), ceviz ağırlığı (g), geometrik ortalama çap (mm), küresellik (%) ve kırılma kuvveti (N) olarak belirlenmiştir. Araştırma sonuçlarına göre, ceviz iç ağırlığını tahmin etmede en yüksek model doğruluğu %98.14 ile SVM yöntemiyle elde edilmiştir. ANN ve DLNN yöntemlerinde model doğruluk oranları sırasıyla %89.78 ve %93.49 olarak belirlenmiştir. Hibrit model (PCA+ANN) kullanıldığında ise doğruluk oranı %58.8’e düşmüştür. Ayrıca, MLR yönteminde başarı oranı %76.43 olarak tespit edilmiştir. Genel bulgular, diğer makine öğrenmesi teknikleri ile karşılaştırıldığında SVM yaklaşımının ceviz iç ağırlığının tahmini açısından daha doğru sonuçlar ürettiğini ortaya koymaktadır.