Derin öğrenme tabanlı meyve tanıma ve otomatik besin değeri hesaplama
Deep learning-based fruit recognition and automatic nutritional value calculation
- Tez No: 957769
- Danışmanlar: DR. ÖĞR. ÜYESİ FESİH KESKİN
- 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: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Bu tez, görüntü tabanlı meyve tanıma ile porsiyon-bazlı besin değeri hesaplamasını tek bir uçtan-uca sistemde birleştirerek hem kişisel beslenme takibine hem de tarımsal otomasyona yönelik bütüncül bir çözüm sunar. Fruits-360 V2024 veri kümesindeki 141 meyve sınıfına ait 94 110 görüntü üzerinde; dört CNN (ResNet-18, EfficientNet-B0, MobileNetV2-1.0, DenseNet-121), dört saf Vision Transformer (ViT-Small, CrossViT-Tiny, GCViT-XTiny, Swin-Tiny) ve iki hibrit modelin (MobileViTv2-050, EfficientViT-B0) performansları karşılaştırılmıştır. Eğitilen modeller arasında GCViT-XTiny, %99,78 test doğruluğu ile en yüksek başarıyı elde etmiş; EfficientViT-B0 ise doğruluk-hesaplama maliyeti dengesinde öne çıkmıştır. Sınıflandırma çıktıları, USDA FoodData Central veritabanı ile eşleştirilerek kalori, makro ve mikro besin ögelerini gram, adet vb. kullanıcı girdilerine göre gerçek zamanlı olarak hesaplayan ölçeklenebilir bir Otomatik Besin Değeri Hesaplama Modülü tasarlanmıştır. Sistem, tek bir fotoğrafla yüksek doğruluklu meyve tanıma gerçekleştirirken aynı anda güvenilir besin bilgisini sunarak manuel diyet takibindeki hataları ve kullanıcı yükünü ortadan kaldırır. Ayrıca hasat robotları ve kalite-kontrol hatlarında kullanılabilecek yüksek doğruluklu bir sınıflandırma altyapısı sağlar. Elde edilen bulgular, güncel Transformer ve hibrit mimarilerin meyve tanımada CNN tabanlı yaklaşımlara kıyasla önemli üstünlük sunduğunu, sistemin ise gıda endüstrisinden mobil sağlık uygulamalarına uzanan geniş bir kullanım potansiyeli taşıdığını göstermektedir. Gelecek çalışmalar, karmaşık arka planlı sahneler ve çoklu modalite verilerle genelleme kabiliyetinin artırılmasına odaklanacaktır.
Özet (Çeviri)
This thesis presents a holistic solution for both personal nutrition tracking and agricultural automation by combining image-based fruit recognition and portion-based nutritional value calculation in a single end-to-end system. The performance of four CNNs (ResNet-18, EfficientNet-B0, MobileNetV2-1.0, DenseNet-121), four pure Vision Transformers (ViT-Small, CrossViT-Tiny, GCViT-XTiny, Swin-Tiny) and two hybrid models (MobileViTv2-050, EfficientViT-B0) are compared on 94 110 images of 141 fruit classes in the Fruits-360 V2024 dataset. Among the trained models, GCViT-XTiny achieved the highest performance with 99.78% test accuracy, while EfficientViT-B0 stood out in the accuracy-computation cost trade-off. A scalable Automatic Nutritional Value Calculation Module was designed that calculates calories, macro and micronutrients in real time based on user inputs such as grams, servings, or other user-defined units by matching the classification outputs with the USDA FoodData Central database. The system performs high-accuracy fruit recognition with a single photo while simultaneously providing reliable nutritional information, eliminating errors and user burden in manual diet tracking. It also provides a high-accuracy classification infrastructure that can be used in harvesting robots and quality-control lines. The results show that current Transformer and hybrid architectures offer significant superiority over CNN-based approaches in fruit recognition, and the system has the potential for a wide range of applications ranging from the food industry to mobile health applications. Future work will focus on improving the generalization capability with complex background scenes and multi-modality data.
Benzer Tezler
- Derin öğrenme yöntemleri ile meyve tanıma ve rekolte tahmini
Fruit recognition and yield estimation using deep learning methods
ESRA GÜNGÖR ULUTAŞ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYozgat Bozok ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMİL ALTIN
- Topluluk ve derin öğrenme yöntemleri ile renk ön işlemesine dayalı meyve sınıflandırma
Fruit classification based on color preprocessing with deep learnining and ensemble learning methods
ESMA İBİŞ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Deep learning for question answering
Soru cevaplama sistemleri için derin öğrenme
MERVE ÜNLÜ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARZUCAN ÖZGÜR TÜRKMEN
DR. ÖĞR. ÜYESİ EBRU ARISOY SARAÇLAR
- Deep learning based fruit and vegetable recognition for android pos devices
Android pos cihazları için derin öğrenme tabanlı meyve ve sebze tanıma
EGE EKİCİ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Toplu ulaşımda sürücü tanıma sistem önerisi: İstanbul minibüs örneği
Driver identification system proposal in public transportation:Case study in İstanbul minibüs
MERVE KARTAL
Yüksek Lisans
Türkçe
2024
UlaşımBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
PROF. DR. NECLA TEKTAŞ
PROF. DR. MEHMET TEKTAŞ