Derin öğrenme ve makine öğrenmesi ile ürün tedarik sürecinde kalite kontrol uygulaması
Quality control application in product supply process with deep learning and machine learning
- Tez No: 921688
- Danışmanlar: PROF. DR. ŞENOL ALTAN
- Tez Türü: Doktora
- Konular: Ekonometri, Econometrics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Hacı Bayram Veli Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
- Bilim Dalı: Yöneylem Araştırması Bilim Dalı
- Sayfa Sayısı: 91
Özet
Günümüzde kalite kontrol süreçlerinde yapay zeka kullanımı oldukça yaygınlaşmıştır. Bu çalışmada da derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak sebze ve meyve tedarikinde kalite kontrol uygulaması yapılmıştır. Çalışmada, Türkiye'de en çok üretilen sebze, meyve ve kök bitki olan domates, elma, portakal, mandalina ve patatesi sağlam ve bozuk olarak sınıflandırmaya yönelik bir derin öğrenme modeli ve makine öğrenmesi modeli geliştirilmiştir. Çalışmada kullanılan veri seti, hem internetten derlenen hem de cep telefonuyla çekilen görsellerden oluşturulmuş ve sağlam/bozuk ürünleri kapsayacak şekilde düzenlenmiştir. Geliştirilen modelin performansı, doğruluk, kesinlik, duyarlılık, F1 skoru gibi ölçütlerle değerlendirilmiştir. Derin öğrenme modeli %97,57 genel doğruluk oranıyla üstün bir performans sergilerken, makine öğrenmesi modelinde de %90,20 doğruluk oranıyla derin öğrenme modelinden düşük olsa da başarılı bir sonuç elde edilmiştir. Derin öğrenme modeli, daha karmaşık görsel özellikleri öğrenme kabiliyeti sayesinde daha yüksek performans sağlarken; makine öğrenmesi modeli ise hızlı işlem kapasitesi ve düşük donanım gereksinimiyle dikkat çekmiştir. Araştırma bulguları, derin öğrenme modellerinin kalite kontrol süreçlerinde üstün performans gösterdiğini ancak makine öğrenmesi tabanlı yöntemlerin de belirli durumlarda kullanılabilir bir alternatif olduğunu ortaya koymaktadır. Bu kapsamda çalışma literatüre, sebze meyve tedarikinde kalite kontrol süreçlerinin yapay zeka destekli otomasyonuna yönelik önemli bir katkı sağlamaktadır. Çalışmada geliştirilen modeller, ürünlerin hızlı, doğru ve maliyet etkin bir şekilde tedarik edilmesine olanak tanımakta ve kalite yönetimini iyileştirme potansiyeli sunmaktadır.
Özet (Çeviri)
Nowadays, the use of artificial intelligence in quality control processes has become quite widespread. In this study, deep learning and machine learning methods were used to apply quality control in the supply of vegetables and fruits.A Convolutional Neural Network (CNN)-based deep learning model and a Cascade Classifier-based machine learning model were developed to classify tomatoes, apples, oranges, mandarins, and potatoes -the most produced vegetables, fruits, and root crops in Turkey- into“healthy”and“defective”categories. The dataset used in this study was constructed from images sourced from the internet and photographs taken via a mobile phone, organized to encompass both healthy and defective samples. The performance of the developed models was evaluated using metrics such as accuracy, precision, recall, and F1 score. The deep learning model demonstrated a superior overall accuracy of 97.57%, while the machine learning model achieved a commendable accuracy of 90.20%, albeit lower than the deep learning model. The deep learning model's ability to learn complex visual features resulted in higher performance, whereas the machine learning model stood out for its faster processing capability and lower hardware requirements. The findings reveal the superior performance of deep learning models in quality control processes while highlighting the potential of machine learning-based methods as a viable alternative in specific scenarios. This study makes a significant contribution to the automation of quality control processes in the supply chain of fruits and vegetables using artificial intelligence. The developed models enable rapid, accurate, and cost-effective classification of products, offering significant potential for enhancing quality management across the supply chain.
Benzer Tezler
- Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study
Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi
RANA EZGİ KÖSE
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Yapay zekâ tabanlı yaklaşımlar ile tahmine dayalı stok planlamasının otomotiv sektöründe uygulamalı analizi
An applied analysis of predictive inventory planning with artificial intelligence-based approaches in the automotive industry
ÖZGE ALBAYRAK ÜNAL
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK ERKAYMAN
DR. ÖĞR. ÜYESİ BİLAL USANMAZ
- Utilizing explainable artificial intelligence tools on food safety early warning model
Gıda güvenliği erken uyarı modeli üzerinde açıklanabilir yapay zeka araçlarının uygulanması
OKAN BÜYÜKTEPE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Bilim Dalı
DR. ÖĞR. ÜYESİ GÖRKEM KAR
PROF. DR. ÇAĞATAY ÇATAL
- A new approach for ensemble based demand forecasting using machine learning methodologies in bigdata environment
Başlık çevirisi yok
AHMET OKAY AKYÜZ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MİTAT UYSAL
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN