Derin öğrenme modelleriyle gıda endüstrisinde hata tespiti
Defect detection in the food industry through deep learning models
- Tez No: 959054
- Danışmanlar: DR. ÖĞR. ÜYESİ EBRU PEKEL ÖZMEN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 90
Özet
Bu tez çalışmasında, paketli gıda endüstrisinde üretim hattına girmeden önce ürünlerin görsel niteliklerine dayalı olarak kusurlu ve kusursuz örneklerin otomatik tespiti amacıyla derin öğrenme tabanlı görüntü işleme yöntemlerinin etkinliği araştırılmıştır. Çalışma kapsamında, üretim hattından elde edilen 405 adet kusurlu ve 369 adet kusursuz ürün görseli, ön işleme adımlarından geçirilerek yalnızca format açısından standartlaştırılmış ve modellemeye uygun hale getirilmiştir. Modelleme sürecinde Inception, InceptionResNetV2, DenseNet121, EfficientNetB0, EfficientNetV2B0, MobileNet, ResNet50, VGG16, VGG19 ve Xception olmak üzere toplam 10 farklı derin öğrenme mimarisi uygulanmıştır. Tüm modellerde 5 katmanlı çapraz doğrulama yöntemi kullanılmış ve performans değerlendirmeleri bu doğrultuda gerçekleştirilmiştir. Her bir modelin başarımı; eğitim ve test kayıplarının yanı sıra doğruluk, kesinlik, duyarlılık ve F1-ölçütü metrikleri üzerinden analiz edilerek detaylı biçimde karşılaştırılmıştır.
Özet (Çeviri)
In this thesis study, the effectiveness of deep learning-based image processing methods for automatic detection of defective and non-defective samples based on visual characteristics prior to entering the production line in the packaged food industry was investigated. Within the scope of the study, 405 defective and 369 non-defective product images obtained from the production line were preprocessed and standardized only in terms of format to make them suitable for modeling. During the modeling process, a total of 10 different deep learning architectures Inception, InceptionResNetV2, DenseNet121, EfficientNetB0, EfficientNetV2B0, MobileNet, ResNet50, VGG16, VGG19, and Xception were applied. All models employed a 5-fold cross-validation method, and performance evaluations were conducted accordingly. The success of each model was analyzed in detail by comparing training and test losses as well as metrics including accuracy, precision, recall, and the F1 score
Benzer Tezler
- Modül bazlı iyileştirilmiş derin öğrenme modelleriyle bitkilerde hastalıkların teşhisi
Diagnosis of diseases in plants with module-based improved deep learning models
ALİ EMRE GÖK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAKİR TAŞDEMİR
- Derin öğrenme ile bitkilerin sulama ihtiyacı tespiti
Deep learning for detection of plant irrigation needs
VOLKAN İNCE
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MERT
- Pirinç ürününün derin öğrenme teknikleri kullanılarak sınıflandırılması
Classification of rice product using deep learning techniques
ÖMER ESEN
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
PROF. DR. MERYEM EVECEN
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- 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