Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2023 / Cilt: 12 Sayı: 4
Derin öğrenme teknikleri ile elmada (Granny Smith) kusur tespiti
- Sayfa
- 1119–1129
- DOI
- —
Özet
Elma (Malus communis L.) derimi sırasında ürünün kalitesini düşüren fiziksel zararlanmaların oluşması kaçınılmazdır. Zarar gören meyvelerin erken tespit edilerek ayrılması ticari değerinin artırılması açısından önemlidir. Tespit edilemeyen kusurlu ürünler sağlam ürünlerin kalitesini etkilediğinden dolayı gıda kaybının yanı sıra üretim hacmini de düşürmektedir. Çalışmanın amacı, “Granny Smith” elma çeşidinden alınan görüntüler üzerinde, derin öğrenme teknikleri kullanarak elmalarda kusur tespit etmektir. Özel koşul gerektirmeyen, uygun maliyetle sınıflandırma ve kusur tespiti yapacak bir teknik araştırılırmıştır. Çalışmada, InceptionV3 modelinin 100 çevrim sonunda test doğruluğu %100, AlexNet modelinin ise test doğruluğu %98.33 elde edilmiştir. Derin öğrenme teknikleriyle, derim sırasında meyve üzerinde oluşan zararlar tespit edilerek ayrılmasıyla, derim sonrası oluşabilecek ekonomik kayıpların önüne geçebilecek bir yöntem geliştirilmiştir.
Abstract
During apple (Malus communis L.) harvesting, physical damage that reduces the quality of the product is inevitable. Early detection and separation of damaged fruits is important in terms of increasing their commercial value. Undetected defective products reduce the production volume as well as food loss, since they affect the quality of intact products. The aim of this study is to detect defects in apples using deep learning techniques on images taken from the “Granny Smith” apple cultivar. A technique that does not require special conditions and that will make classification and defect detection cost-effectively has been researched. In the study, the test accuracy of the InceptionV3 model was 100% after 100 epochs, and the test accuracy of the AlexNet model was 98.33%. A method has been developed that can prevent economic losses that may occur after harvesting by detecting and separating the damages that occur on the fruit during harvesting with deep learning techniques.