Dergiler / Electronic Letters on Science and Engineering / 2018 / Volume: 14 Issue: 1

Gıda Sektöründe Uygulanan Görüntü İşleme Çalışmalarının ve Tekniklerinin İncelenmesi

Examination of Image Processing Studies and Techniques in Food Sector: A Literature Review

Tolga Hayıt(BOZOK ÜNİVERSİTESİ, BOĞAZLIYAN MESLEK YÜKSEKOKULU)
Hasan Erbay(KIRIKKALE ÜNİVERSİTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)
Fatma Hayıt(BOZOK ÜNİVERSİTESİ, BOĞAZLIYAN MESLEK YÜKSEKOKULU)
Sayfa
—
Yayın Tarihi
2018-08-16
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Yapılan bu çalışmada gıda sektöründe uygulanan bazı görüntü işleme çalışmalarına yer verilmiş; kullanılan teknikler incelenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Küreselleşen dünyamızda öne çıkan sektörler arasında bulunan gıda ve gıda odaklı sanayi sektöründe verimliliğin ve kalitenin yükseltilmesine ilişkin çalışmalar hız kazanarak devam etmektedir.
📊
Temel Bulgular & Veri:Mevcut teknolojide görüntü işlemeyle insan faktörünü en aza indirgeyerek verimlilik arttırılması ve maliyetin azaltılması mümkün olabilmektedir.
💡
Sonuç & Katkı:Yapılan bu çalışmada gıda sektöründe uygulanan bazı görüntü işleme çalışmalarına yer verilmiş; kullanılan teknikler incelenmiştir.
🔬Tür:Review
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Image processing · computer vision · food sector

Özet

Küreselleşen dünyamızda öne çıkan sektörler arasında bulunan gıda ve gıda odaklı sanayi sektöründe verimliliğin ve kalitenin yükseltilmesine ilişkin çalışmalar hız kazanarak devam etmektedir. Buna paralel olarak teknoloji dünyasında kaydedilen gelişmeler araştırmacıları bu alanlarda yenilikçi buluşlar elde etmeleri için teşvik etmektedir. Hemen her alanda olduğu gibi gıda sektöründe de üretimde ürünün sınıflandırılması, hatalı ürün tespiti, ürün dışı madde tespiti vb. gibi problemler çoğunlukla insan faktörü kullanılarak çözülmektedir. İnsanın görme duyusunu kullanarak çözebileceği bazı problemlerin bilgisayar yoluyla çözülebilmesi bilgisayarla görme alan uygulamalarına girmektedir. Bilgisayarla görme, ürünlerde yüksek kalite ve güvenlik gibi bazı gereksinimleri karşılamak için otomatik, zararsız ve düşük maliyetli alternatif bir teknik sunmaktadır. Mevcut teknolojide görüntü işlemeyle insan faktörünü en aza indirgeyerek verimlilik arttırılması ve maliyetin azaltılması mümkün olabilmektedir. Bununla birlikte ultraviyole ışınları gibi insan tarafından doğrudan kullanılamayacak bazı unsurlar bilgisayar tarafından kullanılabilmektedir. Bu sayede istenilen kalitede üretim yapılmaya olanak sunulmaktadır. Yapılan bu çalışmada gıda sektöründe uygulanan bazı görüntü işleme çalışmalarına yer verilmiş; kullanılan teknikler incelenmiştir.

Abstract

In our global World, studies on food and food related-sectors, which are among the leading sectors, continue to gain momentum to increase productivity and quality. In parallel, the developments in the information technology motivate researchers to gain innovative approaches in these fields. Today, in the food sector as in many other areas, the classification of products, the detection of defective products, the detection of non-product parts are often solved using the human factor. However, many problems that can be solved using human visual sense can be solved more efficiently by means of a computer, which is known as the computer vision field. Computer vision offers automatic, harmless and low cost alternative techniques to verify that high quality and safety criteria are met in products. Today's image processing technology makes it possible, by reducing the human factor to the minimum, to increase the productivity and to reduce the cost. Moreover, some methods that cannot be used directly by human such as ultraviolet rays can be used by a computer to improve the product quality. In this study, some image processing applications used in the food sector are analyzed; the techniques used are examined.

🔖

Bu Makaleye Atıf Yap

Hayıt, T., Erbay, H., Hayıt, F. (2018). Gıda Sektöründe Uygulanan Görüntü İşleme Çalışmalarının ve Tekniklerinin İncelenmesi. Electronic Letters on Science and Engineering, Volume: 14 Issue: 1. https://ajindex.com/articles/1181037

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (38)

  1. M. Balcı, A. A. Altun, Ş. Taşdemir, Görüntü İşleme Teknikleri Kullanılarak Napolyon Tipi Kirazların Sınıflandırılması, Selçuk-Teknik Dergisi, Vol.3, (2003), 221-237
  2. G. Samtaş, M. Gülesin, Sayısal Görüntü İşleme ve Farklı Alanlardaki Uygulamaları, Electronic Journal of Vocational Colleges, Vol:2(1), (2011), 85-97
  3. P. Viola, M. Jones, Rapid object detection using a boosted cascade of simple features, Computer Vision and Pattern Recognition, Proceedings of the 2001 IEEE Computer Society Conference, vol: 1, (2001), I-511- I-518
  4. R. Hussin, M.R. Juhari, N.W. Kang, R.C. Ismail, A. Kamarudin, Digital image processing techniques for object detection from complex background image, Procedia Engineering, Vol:41, (2012), 340-344
  5. M. Sonka, V. Hlavac, R. Boyle, Image processing, analysis, and machine vision, Cengage Learning (2014)
  6. M. Omid, M. Khojastehnazhand, A. Tabatabaeefar, Estimating volume and mass of citrus fruits by image processing technique. Journal of Food Engineering, Vol.100, (2010), 315-321.
  7. H. M. Velioğlu, Görüntü İşleme Teknolojisi ve Yapay Sinir Ağlarinin Gıda Ürünlerinde Bazi Kalite Özelliklerinin Belirlenmesinde Kullanilmasi, Namık Kemal Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, Tekirdağ, (2010)
  8. M. Latha, A. Poojith, B.A. Reddy, G.V. Kumar, Image Processing in Agriculture, International Journal of Innovative Research In Electrical, Electronics, Instrumentation and Control Engineering, Vol. 2, (2014), 1562-1565
  9. N. Masateru, P. S. Bim, G. Yoshinori, Study on Quality Estimation for Strawberry Using Color and NIR Image Processing, IFAC Proceedings, Vol.34, (2001), 233-237
  10. A. Usman, A. Arif, K. Hadi, K. Punvadaria, Determination of Bruise Development Rate on Salak Fruit Using Image Processing, IFAC Proceedings, Vol.34,( 2001), 295-298
  11. X. Juan, S. Wouter, B. Josse, Combination of chemometric tools and image processing for bruise detection on apples, Computers and Electronics in Agriculture, Vol.56, (2007), 1-13
  12. K. Kıvanç, İ. H. Boyacı, H. Köksel, İ. Küsmenoğlu, A Classification System for Beans Using Computer Vision System and Artificial Neural Networks, Journal of Food Engineering, Vol. 78, (2007), 897-904
  13. M. Omid, M. Khojastehnazhand, A. Tabatabaeefar, Estimating Volume and Mass of Citrus fruits by Image Processing Technique, Journal of Food Engineering, Vol. 100, (2010), 315-321
  14. M. Karhan, M. O. Oktay, Z. Karhan, H. Demir, Morfolojik Görüntü İşleme Yöntemleri ile Kayısılarda Yaprak Delen (Çil) Hastalığı Sonucu Oluşan Lekelerin Tespiti, 6th International Advanced Technologies Symposium (IATS’11), Mayıs (2011)
  15. K. Sabancı, C. Aydın, M.F. Ünlerşen, Görüntü İşleme ve Yapay Sinir Ağları Yardımıyla Patates Sınıflandırma Parametrelerinin Belirlenmesi, Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Vol. 2, (2012), 59-62
  16. M.M. Sofu, O. Er, M.C. Kayacan, B. Çeşitli, Elmaların Görüntü İşleme Tekniği ile Sınıflandırılması ve Leke Tespiti, Gıda Teknolojileri Elektronik Dergisi, Vol. 8, (2013), 12-25
  17. A. Adelkhani, B. Beheshti, S. Minaei, P. Javadikia, M. G. Varnamkhasti, Taste Characterization of Orange Using Image Processing Combined with ANFIS, Measurement, Vol. 46, (2013), 3573-3580
  18. M. K. Dutta, N. Sengar, N. Minhas, B. Sarkar, A. Goon, K. Banerjee, Image Processing Based Classification of Grapes after Pesticide Exposure, LWT - Food Science and Technology, Vol. 72, (2016), 368-376
  19. M. Balcı, A.A. Altun, Ş. Taşdemir, Görüntü İşleme Teknikleri Kullanılarak Napolyon Tipi Kirazların Sınıflandırılması, Selçuk-Teknik Dergisi, Vol. 3, (2016), 221-237
  20. M.A. Momin, M.T. Rahman, M.S. Sultana, C. Igathinathane, A.T.M. Ziauddin, T.E. Grift, Geometry-Based Mass Grading of Mango Fruits Using Image Processing, Information Processing in Agriculture, Vol. 4, (2017), 150-160
  21. E. Bul, G. Gelen, H. Altun, Görüntü İşlemeye Dayalı Tarımsal Ürün Sınıflandırma, http://www.emo.org.tr/ekler/3287fcce194dbd9_ek.pdf, Erişim Tarihi: 12.03.2018
  22. S. Solak, U. Altınışık, Görüntü İşleme Teknikleri ve Kümeleme Yöntemleri Kullanılarak Fındık Meyvesinin Tespit ve Sınıflandırılması, Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Vol. 22 (1), (2017), 56-65
  23. U. Fidan, N. Ö. Süzme, Küf Gelişiminin Görüntü İşleme Teknikleri ile Analizi, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Vol. 15, 13-21
  24. T. McDonald, Y.R. Chen, Separating Connected Muscle Tissues in Images of Beef Carcass Ribeyes. Transactions of the ASAE, Vol. 33(6), (1990), 2059–2065
  25. D. E. Gerrard, X. Gao, J. Tan, Beef Marbling and Colour Score Determination by Image Processing, Journal of Food Science, Vol.61(1), (1996),145–148.
  26. S. Aktan, Sayısal Görüntü Analizi ile Etlik Piliçlerde Bazı Karkas Özelliklerinin Belirlenmesi, Hayvansal Üretim, Vol. 45(1), (2004), 14-18
  27. P. Jackman, S. D.Sun, C.Du, P. Allen, G.Downey, Prediction of Beef Eating Quality from Colour, Marbling and Wavelet Texture Features, Meat Science, Vol. 80, (2008), 1273-1281
  28. C. Du, D. Sun, Estimating the Surface Area and Volume of Ellipsoidal Ham Using Computer Vision, Journal of Food Engineering, Vol. 73, (2006), 260-268
  29. F.G. Del Moral, F. O’Valle, M. Masseroli, R.G. Del Moral, Image Analysis Application for Automatic Quantification of Intramuscular Connective Tissue in Meat, Journal of Food Engineering, Vol. 81, (2007), 33-41
  30. C. Du, D. Sun, Automatic Measurement of Pores and Porosity in Pork Ham and Their Correlations with Processing Time, Water Content and Texture, Meat Science, Vol. 72, (2006), 294-302
  31. C. Du, D. Sun, P. Jackman, P. Allen, Development of a Hybrid Image Processing Algorithm for Automatic Evaluation of Intramuscular Fat Content in Beef, Meat Science, Vol. 80, (2008), 1231-1237
  32. J. Priyadumkol, C. Kittichaikarn, S. Thainimit, Crack Detection on Unwashed Eggs Using Image Processing, Journal of Food Engineering, Vol. 209, (2017), 76-82
  33. L. H. Stien, F. Manne, K. Ruohonene, A. Kause, K. Rungruangsak-Torrissen, A. Kiessling, Automated Image Analysis as a Tool to Quantify the Colour and Composition of Rainbow Trout (Oncorhynchus mykiss W.) Cutlets, Aquaculture, Vol. 261, (2006), 695-705
  34. L. H. Stien, A. Kiessling, F. Manne, Rapid Estimation of Fat Content in Salmon Fillets by Colour Image Analysis, Journal of Food Composition and Analysis, Vol. 20, (2007), 73-79
  35. M. K. Dutta, N. Sengar, N. Kamble, K. Banerjee, N. Minhas, B. Sarkar, Image Processing Based Technique for Classification of Fish Quality after Cypermethrine Exposure, LWT - Food Science and Technology, Vol. 68, (2016), 408-417
  36. M. K. Dutta, A. Issac, N. Minhas, B. Sarkar, Image Processing Based Method to Assess Fish Quality and Freshness, Journal of Food Engineering, Vol. 177, (2016), 50-58
  37. K. Kılıç, B. O. Ulusoy, İ. H. Boyacı, A Novel Method for Color Determination of Edible Oils in L*a*b* Format, European Journal of Lipid Science and Technology, Vol.109, (2007) 157-164
  38. T. Hayıt, F. Hayıt, H. Gül, U. Ergün, Analysis of Bread Pore Structure by Using Matlab Program in Web Environment, International Advanced Researches and Engineering Congress, Osmaniye, November (2017)