Abstract:

Siirt fıstığı diğer fıstık çeşitlerine göre daha iri taneli oluşu, aroma ve tadındaki farklılıklarından dolayı Antep fıstığı çeşidine göre piyasada çoğunlukla taze çerez olarak tüketilmektedir. Yıllık ortalama 25 bin ton üretim kapasitesi olan Siirt fıstık çeşidinin yurtiçi ve dışında pazarlanabilmesi ve müşteri memnuniyetini kazanabilmesi için kalite standartlarına göre bir sınıflandırma ve derecelendirme işlemine tabi tutulması gerekmektedir. Hâlihazırda sınıflandırma işlemi manuel olarak işçiler ve mekanik araçlar kullanılarak yapılmaktadır. İnsan gücü ile sınıflandırma işlemi uzun zaman alan, sıkıcı ve verimi düşük bir süreçtir. Bununla birlikte söz konusu işlem gıda hijyeni açısından da riskler taşımaktadır. Diğer taraftan mekanik araçlar (titreşim temelli elekler ve iğneli sınıflandırıcılar) istenilen doğrulukta sınıflandırma yapamamaktadırlar. Sonuç olarak bilgisayar görü tabanlı tam otomatik bir fıstık sınıflandırıcı sistemine gereksinim duyulmaktadır. Bu çalışmamızda, Siirt fıstığının kalite standartlarına göre sınıflandırılması işleminde kullanılmak üzere görüntüleri alınan Siirt fıstığı numunelerinden ayrımsallık gücü yüksek özniteliklerin çıkarılması için çeşitli imge işleme yöntemlerinin geliştirilmesi hedeflenmiştir. İmgelerden çapların oranı, fıstık alanı ve kenar alan oranı öznitelikleri çıkarılmıştır. Elde edilen gürbüz öznitelik vektörü çevrim dışı (offline) sınıflandırma işlemine girdi parametresi olarak verilmiştir. TSE standartlarına göre fıstıklar, alan uzmanı tarafından danışmalı öğrenme maksadıyla ekstra iri, iri, orta, küçük, kabuk ve çatlamamış sınıflarına ayrılmışlardır. Her bir fıstık grubunda 100 adet fıstık olacak şekilde toplam 600 adet fıstık numunesinden örüntüler çıkarılmıştır. Çevrimdışı (Offline) sınıflandırmada Naive Bayes, Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM) algoritmaları kullanılmıştır. Sınıflandırma algoritmaları kendi aralarında genel sınıflandırma başarımları ve 2.tip hata (Type II error, severe error, false negative) ölçütlerine göre karşılaştırılmıştır. Genel sınıflandırma başarısına göre %83.33 doğruluk oranı ile YSA en iyi sınıflandırıcı olarak tespit edilmiştir. 2.tip hata ölçütünde yine YSA ve Naive Bayes sınıflandırıcıları seçilmiştir. Sonuç olarak sunulan gürbüz öznitelik vektörü çerçevesinde YSA ve Naive Bayes sınıflandırıcılarının fıstık sınıflandırma sistemi için kullanılması önerilmektedir. Yapılan gerçek zamanlı testlerde bir fıstık numunesi için öznitelik çıkarımı ve sınıflandırma işlemlerinin süresi toplamda yaklaşık 314 ms olarak hesaplanmıştır.

Keywords: