Dergiler / Bilge International Journal of Science and Technology Research / 2026 / Cilt: 5 Sayı: 2

Elektronik Burun Kullanılarak Arabika (Coffea Arabica) ve Robusta (Coffea Canephora) Kahvelerinin Ayrıştırılması

Ali Can İncegül(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ)0000-0003-2508-2703
Kubilay Taşdelen(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ)0000-0001-5664-3898
Sayfa
101–106
Yayın Tarihi
2021-09-30
🏛️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)

MQ135 % 79.63 oranında ayrım yaparken, MQ2, % 78.46 ve MQ 7 % 80.92 oranında ayrım yapabildiği sonucuna varılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Elektronik burun (e-burun), kahve, şarap ve bira gibi içeceklerin değerlendirmesinde kullanılan düşük maliyetli, koku üzerine yoğunlaşan bir cihazdır.
📊
Temel Bulgular & Veri:Kahve, farklı kavurma derecelerinde instant veya içmeye hazır formda bulunan insanlık tarihinin en popüler içeceklerinden birisidir.
💡
Sonuç & Katkı:MQ135 % 79.63 oranında ayrım yaparken, MQ2, % 78.46 ve MQ 7 % 80.92 oranında ayrım yapabildiği sonucuna varılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Elektronik burun · Kahve · Sensör

Özet

Elektronik burun (e-burun), kahve, şarap ve bira gibi içeceklerin değerlendirmesinde kullanılan düşük maliyetli, koku üzerine yoğunlaşan bir cihazdır. Kahve, farklı kavurma derecelerinde instant veya içmeye hazır formda bulunan insanlık tarihinin en popüler içeceklerinden birisidir. Bu çalışmada geniş tüketim ağı bulunan Arabika ve Robusta türü kahvelerin tasarlanan elektronik burun cihazı ile ayrımlarının yapılması amaçlanmıştır. Bu amaç doğrultusunda MQ (MQ135, MQ2, MQ3, MQ5, MQ6, MQ7 ve MQ8) sensörleri kullanılarak bir elektronik burun düzeneği tasarlanmıştır ve kahve analizleri gerçekleştirilmiştir. Numunelerden alınan sinyaller arduino kartla işlenip MATLAB programına aktarılmıştır. Tasarlanan e-burun cihazının kahveleri ayırıp ayıramadığı ise sınıflandırma algoritmaları kullanılarak belirlenmiştir. Cihazdan alınan sinyal değerleri doğrusal ayırma analizi (LDA), Bayes, en yakın komşu (kNN-3, kNN-5, kNN-7 ve kNN-9), karar ağacı, oneR ve destek vektör analizi (SVM) algoritmaları kullanılarak sınıflandırılmıştır. Arabika ve Robusta ikili ayrımında en iyi sınıflandırma cevabı MQ7 sensöründen, karar ağacı algoritma analizi ile elde edilmiştir. MQ135 % 79.63 oranında ayrım yaparken, MQ2, % 78.46 ve MQ 7 % 80.92 oranında ayrım yapabildiği sonucuna varılmıştır. Elde edilen sinyallerin yorumlanmasında yürütülen sınıflandırma çalışmaları sonucunda en iyi sınıflandırmalar karar ağaçlarından (decision trees) elde edilmiştir ve diğer sınıflandırma yöntemlerine göre daha yüksek başarı sağladığı görülmüştür. Yürütülen bu çalışma ile kahve sektörü için önemli bir sorun olan daha ucuz kahvelerin kaliteli olanlar ile karıştırılması durumu hızlı ve ekonomik bir şekilde dizayn edilen e-burun düzeneği sayesinde tespit edilmiştir.

Abstract

Elektronik burun (e-burun), kahve, şarap ve bira gibi içeceklerin değerlendirmesinde kullanılan düşük maliyetli, koku üzerine yoğunlaşan bir cihazdır. Kahve, farklı kavurma derecelerinde instant veya içmeye hazır formda bulunan insanlık tarihinin en popüler içeceklerinden birisidir. Bu çalışmada geniş tüketim ağı bulunan Arabika ve Robusta türü kahvelerin tasarlanan elektronik burun cihazı ile ayrımlarının yapılması amaçlanmıştır. Bu amaç doğrultusunda MQ (MQ135, MQ2, MQ3, MQ5, MQ6, MQ7 ve MQ8) sensörleri kullanılarak bir elektronik burun düzeneği tasarlanmıştır ve kahve analizleri gerçekleştirilmiştir. Numunelerden alınan sinyaller arduino kartla işlenip MATLAB programına aktarılmıştır. Tasarlanan e-burun cihazının kahveleri ayırıp ayıramadığı ise sınıflandırma algoritmaları kullanılarak belirlenmiştir. Cihazdan alınan sinyal değerleri doğrusal ayırma analizi (LDA), Bayes, en yakın komşu (kNN-3, kNN-5, kNN-7 ve kNN-9), karar ağacı, oneR ve destek vektör analizi (SVM) algoritmaları kullanılarak sınıflandırılmıştır. Arabika ve Robusta ikili ayrımında en iyi sınıflandırma cevabı MQ7 sensöründen, karar ağacı algoritma analizi ile elde edilmiştir. MQ135 % 79.63 oranında ayrım yaparken, MQ2, % 78.46 ve MQ 7 % 80.92 oranında ayrım yapabildiği sonucuna varılmıştır. Elde edilen sinyallerin yorumlanmasında yürütülen sınıflandırma çalışmaları sonucunda en iyi sınıflandırmalar karar ağaçlarından (decision trees) elde edilmiştir ve diğer sınıflandırma yöntemlerine göre daha yüksek başarı sağladığı görülmüştür. Yürütülen bu çalışma ile kahve sektörü için önemli bir sorun olan daha ucuz kahvelerin kaliteli olanlar ile karıştırılması durumu hızlı ve ekonomik bir şekilde dizayn edilen e-burun düzeneği sayesinde tespit edilmiştir.

🔖

Bu Makaleye Atıf Yap

İncegül, A. C., Taşdelen, K. (2021). Elektronik Burun Kullanılarak Arabika (Coffea Arabica) ve Robusta (Coffea Canephora) Kahvelerinin Ayrıştırılması. Bilge International Journal of Science and Technology Research, Cilt: 5 Sayı: 2, 101–106. https://doi.org/10.30516/bilgesci.912146

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Chiu, S. W., Tang, K. T. (2013). Towards a chemiresistive sensor-integrated electronic nose: A review. In Sensors 13(10), 14214-47.
  2. Cortes, C., Vapnik, V. (2009). Support-vector networks. Chemical Biology & Drug Design. 297(3), 273–297.
  3. Cover, T. M., Hart, P. E. (1967). Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory, 13(1), 21–27.
  4. Dey, A. (2018). Semiconductor metal oxide gas sensors: A review. Materials Science and Engineering B, 206–217.
  5. Eranna, G., Joshi, B. C., Runthala, D. P., Gupta, R. P. (2004). Oxide materials for development of integrated gas sensors-A comprehensive review. Critical Reviews in Solid State and Materials Sciences, 29(3-4), 111–188.
  6. M. N., C., Willson, K. C. (1985). Coffee: Botany, Biochemistry and Production of Beans and Beverage. Clifford, M. N. (Ed.)
  7. Martinez, A. M., Kak, A. C. (2001). PCA versus LDA. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(2), 228–233.
  8. Safavian, S. R., Landgrebe, D. (1991). A Survey of Decision Tree Classifier Methodology. IEEE Transactions on Systems, Man and Cybernetics, 21(3), 660–674.
  9. Salzberg, S. L. (1993). C4.5: Programs for Machine Learning by J. Ross Quinlan. Morgan Kaufmann. 235–240.
  10. Taştan, Y. K. (2009). Sufi Şarabından Kapitalist Metaya Kahvenin Öyküsü. Akademik Bakış, 2(4), 53–86.
  11. Wilkens, F. W., Hartman, J. D. (1964). Wilkens & Hartman: Electronic Analog. Journal of Food Science, 29(3), 608–612.