İstatistik tabanlı görüntü işleme ve kümeleme yöntemleri ile nesne tanıma

Abstract

Bu çalışmada, gıda israfını azaltmayı ve tüketicilere daha taze ürünler sunmayı hedefleyen yenilikçi bir akıllı buzdolabı sistemine yönelik bir uygulama üzerine odaklanılmaktadır. Özellikle bozulmaya yatkın domatesler üzerine yapılan bu araştırma, domateslerin bozulma süreçlerini erken aşamada tespit ederek tüketiciyi bilgilendirmeyi amaçlamıştır. Bu amaç doğrultusunda, domateslerin çeşitli olgunluk ve çürüme seviyelerini analiz edebilmek için iki aşamalı bir kendini düzenleyen haritalar (SOM - Self Organizing Maps) modeli geliştirilmiştir. Bu model, domateslerin olgunluk seviyelerini ve bozulma süreçlerini belirleyerek, kullanıcıya geri bildirim sağlamayı hedeflemektedir. Veri seti, internet kaynaklarından toplanan domates görselleri, domateslerin olgunluk seviyelerinden çürümeye kadar kaydedilmiş videolar ve düzenli aralıklarla çekilmiş fotoğraflardan oluşturulmuştur. Bu süreçte toplam 3.138 adet görsel, belirli kıstaslara göre etiketlenerek, taze, bayat, çürük şeklinde sınıflandırılmıştır. Bu veriler iki aşamalı bir SOM modeli ve diğer kümeleme algoritmalarıyla analiz edilmiştir. İlk aşamada, domateslerin üç farklı olgunluk seviyesine (taze, bayat, çürük) göre kümeleme yapılmıştır. Bu süreçte SOM modeli kullanılarak, yüksek boyutlu veriler düşük boyutlu bir topolojik haritaya dönüştürülmüş ve taze, bayat, çürük olmak üzere üç farklı küme oluşturulmuştur. Test seti üzerinde yapılan değerlendirmede, modelin genel doğruluk oranı 0,67 olarak hesaplanmıştır. Taze domateslerin sınıflandırılmasında daha yüksek bir başarı elde edilirken (duyarlılık 0,72), bayat domateslerin doğru sınıflandırılmasında (duyarlılık 0,40) zorluk yaşandığı gözlemlenmiştir. Bu durum, bayat domateslerin görsel özelliklerinin taze veya çürük domateslerle karışmasına neden olmuştur. İkinci aşamada ise domateslerin farklı zaman aralıklarında (0-7, 7-14, 14-30, 30+ gün) bozulma süreçleri kümeleme yöntemleri kullanılarak analiz edilmiştir. Her bir zaman aralığından görsel örneklemleri seçilerek ortalama vektörler hesaplanmış ve bu vektörler SOM modeli için başlangıç küme merkezleri olarak kullanılmıştır. Model, bu dört küme merkezine göre veri setindeki tüm görselleri kümeleyerek, domateslerin belirli zaman aralıklarındaki olgunluk durumlarını tespit etmeyi hedeflemiştir. Elde edilen genel küme saflığı (purity) değeri 0,51 olarak belirlenmiştir. Silhouette skoru ise 0,63 olarak hesaplanmış, bu da kümeler arasındaki ayrımın belirli bir düzeyde olduğunu göstermiştir. Sonuç olarak, geliştirilen bu iki aşamalı SOM modeli, domateslerin bozulma süreçlerini yüksek doğrulukla analiz edebilmekte ve gıda israfını azaltma noktasında önemli bir potansiyel sunmaktadır. Bu çalışma, yapay zeka ve makine öğrenimi tekniklerinin gıda kalitesini izleme ve sürdürülebilir tüketim alışkanlıkları geliştirme konusunda nasıl etkili araçlar olabileceğini göstermektedir. Gelecekte, modelin daha büyük veri setleri ve daha gelişmiş algoritmalarla güçlendirilmesi, farklı gıdaların bozulma süreçlerinin de analiz edilebilmesi için uyarlanabilirliğinin test edilmesi planlanmaktadır. Bu çalışmalar, gıda israfını azaltma ve tüketici sağlığını koruma çabalarında önemli bir ilerleme sağlayarak, gıda sektöründe sürdürülebilirlik ve verimlilik konularında yeni kapılar açabilir.