Yapay zekâ ile yemeğin otomatik pişmesini renk takibi ile yapan sistemin geliştirilmesi
Development of an automated cooking system using artificial intelligence and color tracking
- Tez No: 949538
- Danışmanlar: PROF. AYŞEGÜL ALAYBEYOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 52
Özet
Bu çalışmanın temel amacı, günümüzün en etkili tahmin yöntemlerinden biri olan Evrişimli Sinir Ağı'nın tahmin gücünü yemeğin pişme durumu tahmininde ortaya koymak ve bu bağlamda CNN'nin sağladığı avantajları kapsamlı bir şekilde incelemektir. Evrişimli Sinir Ağı, biyolojik sinir sistemlerinden esinlenerek geliştirilmiş, karmaşık veri setlerinden öğrenerek genelleme yapabilen güçlü bir hesaplama tekniğidir. Son yıllarda, CNN'nin tahmin yetenekleri birçok alanda büyük başarılar elde etmiştir ve özellikle görüntü işleme, sınıflandırma, öngörü modelleri ve karar destek sistemlerinde etkin bir şekilde kullanılmaktadır. Gıda teknolojisi ve gastronomi alanında da bu tür yöntemlerin kullanımı giderek artmaktadır, çünkü gıda maddelerinin fiziksel ve kimyasal özelliklerini analiz etmek, gıda güvenliği ve kalite kontrolü açısından büyük bir öneme sahiptir. Bu bağlamda, yemeğin pişme durumu tahmin edilerek hem mutfakta daha verimli bir süreç sağlanması hem de gıda güvenliğinin artırılması amaçlanmaktadır. Pişirme sürecinin analizi, geleneksel olarak deneme-yanılma yöntemi, manuel ölçümler veya aşçılık tecrübesine dayalı tahminlerle yapılmaktadır. Ancak bu yöntemler, hem zaman kaybına neden olmakta hem de sübjektif değerlendirmeler içerdiğinden hataya açık olabilmektedir. Son yıllarda gelişen yapay zeka ve makine öğrenimi yöntemleri, bu süreci daha objektif hale getirerek daha doğru tahminler yapmaya imkan sağlamaktadır. Özellikle CNN'nin öğrenme kapasitesi, çoklu değişkenleri aynı anda işleyebilme kabiliyeti ve doğrusal olmayan ilişkileri öğrenebilme yeteneği sayesinde pişme sürecine dair daha doğru sonuçlar elde edilmesi mümkün olmaktadır. Bu çalışmada, pişme sürecinin belirlenmesi için renk değişimlerine dayalı analizler gerçekleştirilmiştir. Pişme sürecinin her aşamasında meydana gelen renk değişiklikleri, gıdaların iç sıcaklık seviyeleri ve pişme dereceleri hakkında önemli bilgiler içermektedir. Gıdaların pişme süreçlerini belirlemek için geleneksel sıcaklık ölçümleri, doku analizleri veya kimyasal yöntemler kullanılabilmektedir. Ancak, bu yöntemler genellikle zaman alıcı ve maliyetli olup pratik mutfak uygulamaları için uygun değildir. Yapay zeka ve görüntü işleme yöntemleri sayesinde, bu sürecin daha hızlı ve otomatik bir şekilde analiz edilmesi mümkün hale gelmektedir. Bu çalışmada geliştirilen modelde, pişme sürecine ilişkin renk değişimlerinin analiz edilmesi için görüntü işleme özelinde optimize edilmiş bir CNN kullanılmıştır. Bu analizler kapsamında, pişme sürecini en iyi tahmin eden Evrişimli Sinir Ağı modeli belirlenmiş ve farklı model konfigürasyonlarının performansları karşılaştırılmıştır. Çalışmanın temel hedeflerinden biri, bu süreçte en uygun tahmin yöntemini belirlemek ve modelin doğruluk oranlarını iyileştirerek hata payını en aza indirmektir. Pişme sürecinin belirlenmesi için farklı aktivasyon fonksiyonları, öğrenme oranları ve veri artırma yöntemleri değerlendirilmiş; modelin en iyi tahmin gücüne ulaşması için çeşitli parametre optimizasyonları gerçekleştirilmiştir. Bu çalışmanın ortaya koyduğu sonuçlar, hem gıda endüstrisinde hem de akıllı mutfak teknolojileri geliştirilmesinde önemli bir referans niteliği taşıyacaktır. Özellikle ev otomasyonu ve endüstriyel mutfak sistemleri için geliştirilecek akıllı pişirme sistemlerinde, bu tür bir yapay zeka modelinin entegre edilmesi pişirme sürecinin daha verimli ve hassas bir şekilde yönetilmesine olanak sağlayacaktır. Sonuç olarak, bu çalışmada CNN'nin pişirme süreçlerinin analizi ve tahmini üzerindeki başarısı incelenmiş, renk değişimlerine dayalı analizler için geliştirilen Evrişimli Sinir Ağı modellerinin performansı değerlendirilmiş ve elde edilen sonuçlar ışığında en uygun tahmin yöntemi belirlenmeye çalışılmıştır. Çalışma kapsamında geliştirilen modelin, gıda teknolojisi ve yapay zeka uygulamalarının kesişim noktasında önemli bir katkı sağlaması hedeflenmektedir.
Özet (Çeviri)
The aim of this study is to show the prediction power of Convolutional Neural Networks, one of the best prediction methods today, in predicting the cooking status of food. The CNN results specific to image processing developed for the analysis based on color changes of the application and the most appropriate prediction method and result for this study were tried to be found. The main purpose of this study is to demonstrate the predictive power of Convolutional Neural Networks, one of the most effective prediction methods of today, in predicting the cooking status of food and to examine the advantages provided by CNN in this context in a comprehensive manner. Convolutional Neural Networks are a powerful computational technique inspired by biological nervous systems and capable of generalizing by learning from complex data sets. In recent years, CNN's predictive capabilities have achieved great success in many areas and are effectively used especially in image processing, classification, predictive models and decision support systems. The use of such methods is also increasing in the field of food technology and gastronomy, because analyzing the physical and chemical properties of food materials is of great importance in terms of food safety and quality control. In this context, it is aimed to provide a more efficient process in the kitchen and increase food safety by predicting the cooking status of food. The analysis of the cooking process is traditionally done with the trial-and-error method, manual measurements or estimations based on cooking experience. However, these methods both cause loss of time and can be prone to error since they involve subjective evaluations. In recent years, developing artificial intelligence and machine learning methods make this process more objective and allow for more accurate predictions. In particular, thanks to the learning capacity of CNN, its ability to process multiple variables simultaneously, and its ability to learn nonlinear relationships, it is possible to obtain more accurate results regarding the cooking process. In this study, analyzes based on color changes were performed to determine the cooking process. Color changes that occur at each stage of the cooking process contain important information about the internal temperature levels and cooking degrees of foods. Traditional temperature measurements, texture analyzes, or chemical methods can be used to determine the cooking processes of foods. However, these methods are usually time-consuming and costly and are not suitable for practical kitchen applications. Thanks to artificial intelligence and image processing methods, it is possible to analyze this process more quickly and automatically. In the model developed in this study, an CNN optimized for image processing was used to analyze color changes related to the cooking process. Within the scope of these analyzes, the convolutional neural network model that best predicts the cooking process was determined and the performances of different model configurations were compared. One of the main objectives of the study is to determine the most appropriate prediction method in this process and to minimize the margin of error by improving the accuracy rates of the model. Different activation functions, learning rates and data augmentation methods were evaluated to determine the cooking process; various parameter optimizations were performed to achieve the best prediction power of the model. The results of this study will be an important reference both in the food industry and in the development of smart kitchen technologies. Integrating such an artificial intelligence model, especially in smart cooking systems to be developed for home automation and industrial kitchen systems, will allow the cooking process to be managed more efficiently and precisely. As a result, in this study, the success of CNN in the analysis and prediction of cooking processes was examined, the performance of convolutional neural network models developed for color change-based analyses was evaluated and the most appropriate prediction method was tried to be determined in the light of the obtained results. The model developed within the scope of the study is aimed to make a significant contribution at the intersection of food technology and artificial intelligence applications.
Benzer Tezler
- Karadeniz Bölgesi yöresel yemeklerinin tanıtımı için yapay zekâ tabanlı mobil uygulama modeli
Artificial intelligence-based mobile application model for the promotion of the Black Sea Region's traditional dishes
HATİCE TÜRKOĞLU
Yüksek Lisans
Türkçe
2023
Gastronomi ve Mutfak SanatlarıİSTANBUL TOPKAPI ÜNİVERSİTESİGastronomi ve Mutfak Sanatları Ana Bilim Dalı
DOÇ. DR. GÜL YILMAZ
- Metaheuristic algorithms to enhance artificial neural network for medical data classification
Tıbbi veri sınıflandırması için yapay sinir ağını geliştirmek için meta-heuristik algoritmalar
IHSAN SALMAN JASIM AL GBURI
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiPROF. DR. OSMAN NURİ UÇAN
DOÇ. DR. KHALİD SHAKER
- Yapay zeka ile EKG sinyalin analizi ve hastalık teşhisinde sınıflandırılması
Patient diagnosis with ECG signals estimation using artificial neural network
MEHDİ SALİMİTORKAMANİ
Yüksek Lisans
Türkçe
2016
BiyomühendislikGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FIRAT HARDALAÇ
- Yapay zeka ile yazılım efor tahmini
Software effort estimation by using artificial intelligence
BERNA ŞEREF
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NECAATTİN BARIŞÇI