Geri Dön

Image processing applications in food industry

Gıda endüstrisinde görüntü işleme uygulamaları

PDF İndir

  1. Tez No: 985945
  2. Yazar: ALİ BURAK CEYLAN
  3. Danışmanlar: DOÇ. DR. ÖVÜNÇ ÖZTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Manisa Celal Bayar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Gıda endüstrisinde geleneksel kalite kontrol yöntemlerinin çoğunlukla manuel olması; sonuçların değişkenliği, insan hatası ve sınırlı ölçeklenebilirlik gibi önemli zorluklara yol açmaktadır. Endüstri otomasyon ve dijitalleşmeye yöneldikçe, görüntü işleme teknolojilerinin kalite kontrol süreçlerini iyileştirme potansiyeli giderek daha belirgin hale gelmektedir. Bu çalışma, özellikle makine öğrenmesi algoritmaları içermeyen deterministik görüntü işleme tekniklerini uygulayarak gıda üretiminde kalite kontrol denetimlerini sadeleştirmeye odaklanmaktadır. Bu yaklaşımın cazibesi, basitliği, daha az hesaplama gereksinimi ve mevcut üretim sistemlerine kolay entegrasyonunda yatmaktadır. Belirli görevler için tanımlı algoritmalar kullanan deterministik görüntü işleme, öngörülebilir ve tekrarlanabilir sonuçlar sunar. Bu tezde eşikleme (global ve uyarlamalı yöntemler dahil), kenar tespiti (Sobel ve Canny gibi operatörlerle) ve morfolojik işlemler gibi tekniklerle gıda ürünlerinde kusur, yabancı madde ve yapısal tutarsızlıkların tespiti ele alınmıştır. Bu tür yöntemlerin uygulanması, kalite kontrollerinde tutarlılık sağlar ve insan denetçilerine olan bağımlılığı önemli ölçüde azaltarak gözden kaçma riskini ve insan hatasını en aza indirir. Örneğin, eşikleme sayesinde nesneler arka plandan ayrıştırılabilir; bu da yüzeydeki anormalliklerin ve kirlenmelerin tespiti için kritik önemdedir. Kenar tespiti ise ürün şekillerini ve olası düzensizlikleri belirleyerek kalite değerlendirmelerini daha doğru hale getirir. Bu doğrultuda bir algoritma yazılmamıştır. Çekilen resimler üzerinden Azure özel görüntü işleme apisi ile raporlamalar sağlanmıştır. Araştırma yöntemi olarak, gerçek zamanlı görüntü yakalama ve analiz için özel olarak geliştirilmiş bir Unity uygulamasıyla entegre edilmiş Epson BT-350 akıllı gözlükler kullanılmıştır. Operatörler, önceden belirlenmiş yüksek riskli bölgeleri denetlemiş ve bu alanlardan toplanan görüntüler kural tabanlı algoritmalarla işlenmiştir. Bu deterministik yöntemler, işlem hızının ve güvenilirliğin kritik olduğu gerçek zamanlı uygulamalarda etkili olmaları nedeniyle tercih edilmiştir. İlk denemeler, bu sistemin yüzey kusurlarını ve kirlenmeleri manuel denetimlere kıyasla %30'a varan hata oranı düşüşüyle doğru şekilde tespit edebildiğini göstermiştir. Bu iyileşme yalnızca önemli maliyet tasarruflarına işaret etmekle kalmaz, aynı zamanda deterministik görüntü işlemenin operasyonel verimliliği artırma potansiyelini de vurgular. Bu araştırmanın temel bulgularından biri, karmaşık makine öğrenimi modellerine ihtiyaç duyulmadan rutin kalite kontrollerinde deterministik görüntü işleme yöntemlerinin uygulanabilirliğidir. Makine öğrenimi uyarlanabilir ve yüksek doğruluk sağlayan çözümler sunabilse de, genellikle geniş çaplı eğitim verisi, yüksek hesaplama gücü ve uzmanlık gerektirir. Buna karşılık, deterministik yöntemler daha erişilebilir, uygulanması ve sürdürülmesi daha kolaydır; bu da onları orta ve küçük ölçekli gıda üretim tesisleri için uygun hale getirir. Çalışma ayrıca gıda üretim ortamlarında görüntü işlemenin karşılaştığı özel zorluklara dikkat çekmektedir. Aydınlatma değişkenliği, ürün hareketi ve ürün çeşitliliği gibi faktörler otomatik denetimlerin doğruluğunu etkileyebilir. Bu zorluklar, aydınlatma koşullarına uyum sağlayan yerel eşikleme gibi uyarlanabilir tekniklerle ele alınmış; böylece araştırmanın performansı daha dayanıklı hale getirilmiştir ve alandaki karmaşıklıklar kapsamlı şekilde anlaşılmıştır. Sonuç olarak, bu tez, makine öğrenmesi içermeyen görüntü işleme tekniklerinin gıda endüstrisinde kalite kontrol açısından önemli faydalar sağlayabileceğini göstermektedir. Bu faydalar arasında kusur ve kirlenmelerin daha iyi tespiti, insan hatasının azaltılması ve operasyonel verimliliğin artırılması yer alır. Sistemin uyarlanabilirliği ve düşük hesaplama yükü, onu kalite kontrol süreçlerini modernize etmek isteyen üreticiler için pratik ve uygulanabilir bir çözüm haline getirir.

Özet (Çeviri)

Traditional quality control methods in the food industry are mostly manual, leading to significant challenges such as variability of results, human error, and limited scalability. As the industry shifts towards automation and digitization, the potential of image processing as a solution for enhancing quality control processes becomes increasingly evident. This study is dedicated to applying deterministic image processing techniques, specifically those not involving machine learning algorithms, to streamline quality inspections in food production. The appeal of this approach lies in its simplicity, lower computational requirements, and ease of integration into existing production systems. Deterministic image processing, which employs defined algorithms for specific tasks, offers predictable and repeatable results. This thesis delves into techniques such as thresholding (including global and adaptive methods), edge detection (using operators like Sobel and Canny), and morphological processing to identify defects, contaminants, and structural inconsistencies in food products. Applying such methods ensures consistent quality checks and significantly reduces the reliance on human inspectors, thereby minimizing oversight and human error. For instance, thresholding allows for the segmentation of objects from the background, making it an essential tool for detecting surface anomalies and contamination. Edge detection methods facilitate the identification of product shapes and possible irregularities, contributing to more accurate quality assessments. Accordingly, no custom algorithm was written. Instead, reports were generated using Azure's Custom Vision API based on the captured images. The research methodology involves using Epson BT-350 smart glasses integrated with a custom-built Unity application for real-time image capture and analysis. Operators inspected pre-determined high-risk zones, collecting images processed using rule-based algorithms. These deterministic methods were chosen for their effectiveness in real-time applications, where processing speed and reliability are critical. The results from initial trials indicated that this system could accurately detect surface-level defects and contamination, with error rates reduced by up to 30% compared to manual inspections. This significant improvement not only highlights the potential for substantial cost savings but also underscores the enhanced operational efficiency that can be achieved through the use of deterministic image processing. One of the key findings of this research is the feasibility of implementing deterministic image processing methods in routine quality control without the need for complex machine learning models. While machine learning can offer adaptive and highly accurate solutions, it often requires extensive training data, higher computational resources, and specialized model development and maintenance expertise. In contrast, deterministic methods are more accessible and easier to implement and maintain, making them suitable for mid-sized and smaller food production facilities. This study also underscores the importance of understanding the specific challenges associated with image processing in a food production environment. Factors such as lighting variability, product movement, and diverse product types can affect the accuracy of automated inspections. By addressing these challenges and implementing adaptive techniques, such as local thresholding, which adjusts to changes in lighting conditions, the research ensures more robust performance, providing a comprehensive understanding of the complexities in the field. In conclusion, this thesis contributes to the field by demonstrating that non-machine learning-based image processing techniques can substantially benefit quality control in the food industry. These benefits include improved detection of defects and contamination, reduced human error, and enhanced operational efficiency. The system's adaptability and low computational overhead make it a promising and, importantly, practical and feasible solution for food manufacturers looking to modernize their quality control processes without significant infrastructure changes.

Benzer Tezler

  1. Tez No

    883735

    Gıda güvenliğinin sağlanmasında görüntü işleme uygulaması

    Image processing application in ensuring food safety

    CANSUNUR ÇOKOKUMUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiOndokuz Mayıs Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    PROF. DR. SERMİN ELEVLİ

  2. Tez No

    283209

    Görüntü işleme teknolojisi ve yapay sinir ağlarının gıda ürünlerinde bazı kalite özelliklerinin belirlenmesinde kullanılması

    Determination of some quality properties of foods using image processing technology and artificial neural networks

    HASAN MURAT VELİOĞLU

    Doktora

    Türkçe

    Türkçe

    2010

    Gıda MühendisliğiNamık Kemal Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI BOYACI

    PROF. DR. ŞEFİK KURULTAY

  3. Tez No

    756742

    Görüntü işlemenin Convolutional Neural Network (CNN) modeli kullanılarak tarımsal alanda uygulanması: Hastalıklı yaprak tespiti

    Application of image processing in agriculture using the Convolutional Neural Network (CN) model: Leaf disease detection

    BETÜL KARAOĞLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKarabük Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMET TAHİR GÜNEŞER

    DR. ÖĞR. ÜYESİ İSA AVCI

  4. Tez No

    320767

    Görüntü işleme yöntemi ile salatalık kalite değişiminin sayısal analizi

    The analysis of time-dependent changes in cucumber quality with image processing

    SEVAL ÖREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. KEMAL ÖZKAN

  5. Tez No

    992638

    Derin öğrenme yöntemleri ile bisküvi ürünündeki kusurların tespiti ve otomatik olarak ayrıştırılması

    Detection and automatic sorting of defects in biscuit products using deep learning methods

    OYA KILCI

    Doktora

    Türkçe

    Türkçe

    2026

    Mekatronik MühendisliğiSelçuk Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT KÖKLÜ

Geri Dön