| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Kurum/Üniversite | Kırşehir Ahi Evran Üniversitesi |
| Enstitü | Fen Bilimleri Enstitüsü |
| Anabilimdalı | İleri Teknolojiler Ana Bilim Dalı |
| Tez Onay Yılı | 2023 |
| Öğrenci Adı ve Soyadı | Özkan DOĞAN |
| Tez Danışmanı | DOÇ. DR. EMRE YAVUZER |
| Türkçe Özet | Sağlıklı beslenme kavramının bilimsel araştırmaların sonuçları ile işlenmesine bağlı olarak toplum sağlığı için balık eti tüketiminin önemi her geçen gün artmaktadır. Balık etinde bulunan doymamış yağ asitlerinin insan metabolizmasındaki esansiyel etkileri kendisini diğer gıdalara göre daha fonksiyonel hale getirmektedir. Ancak söz konusu fonksiyonelbileşiklerin kompleks yapısı balık etini hızlı bozulan bir gıdaya dönüştürmektedir. Buna bağlı olarak da balık etinin kalite parametrelerinin çok iyi ve hızlı tespit edilmesi gerekir. Balık kalitesinin belirlenmesinde kullanılan duyusal, kimyasal ve mikrobiyolojik analizler zaman, teçhizat ve yetişmiş personel gerektiren ayrıca sonuçlarının geç elde edildiği spesifik analizlerdir. Makine öğrenimi ise yapılan bilgi girişlerini işleyerek onları kullanıcıya yararlıbilgilere dönüştürebilen ve bunları tahmin yapmada kullanabilen çeşitli algoritmalardan oluşan yapay zekâlardır. Gelişen teknoloji ile makine öğrenimi birçok endüstride anlamlı değişiklikler başlatmış ve gösterdiği yüksek performans ile önemli sorunların ortadan kaldırılmasını sağlamıştır. Makine öğreniminin en büyük avantajı büyük miktarda veriyi hızla işlemek ve zamandan tasarruf sağlayan bir kontrol noktasına sahip olmaktır. Gıda kalitesinin belirlenmesinde ise makine öğrenmesi gıdaya temas etmeden ve onu tahrip etmeden uygulanabilecek önemli bir yöntem olabilir. Bu tez çalışmasında derin öğrenme yöntemi ile farklı türdeki balıkların kalite parametreleri belirlenmek istenmiştir. Bu işlem için farklı türdeki; alabalık, levrek ve çipura balıkları 7 gün boyunca (3±1°C) buz içerisinde depolanmış ve her depolama gününde resimleri kayıt altına alınmıştır. 3 farklı balık türü için depolama süresince toplam 21.386 adet görüntü elde edilmiştir. Elde edilen bu görüntüler makine öğrenimi ile kalite sınıflandırılmasına tabi tutulmuştur. Çalışmada, görüntülerden elde edilen Convolutional neural networks (CNN) özelliklerinin kullanıldığı görüntüleri sınıflandırmak için bir destek vektör makinesi olan ve SVM (support vector machine) olarak bilinen algoritma kullanılmıştır. CNN'nin ilk katmanı, görüntülerin giriş boyutlarını belirtmiştir. Doğru sınıflandırma oranları %90,6 ile %100 arasında değişmiş ve veri artışının artması ile doğruluk oranında beklenen artışın oluştuğu gözlenmiştir. Alabalık, çipura ve levrek için ortalama doğru sınıflandırma oranları %80 üzerinde elde edilmiştir. Çalışma sonuçları makine öğrenmesi ile balığa ait taze-bayat ayrımının yüksek doğruluk oranında belirlenebileceğini ve makine öğrenmesinin hızlı kalite belirleme metodu olarak kullanılabileceğini göstermiştir. |
| İlgilizce Özet | Depending on the processing of the concept of healthy nutrition with the results of scientific research, the importance of fish meat consumption for public health increases day by day. The essential effects of unsaturated fatty acids found in fish in human metabolism make it more functional than other foods. However, the complex structure of the functionalcompounds in question turns fish meat into a perishable food. Accordingly, the quality parameters of fish meat must be determined very well and quickly. Sensory, chemical and microbiological analyzes used to determine fish quality are specific analyzes that require time, equipment and trained personnel, and the results are delayed. Machine learning, on the other hand, is artificial intelligence consisting of various algorithms that can process information inputs and turn them into useful information for the user and use them to make predictions. With the developing technology, machine learning has initiated significant changes in many industries and has enabled the elimination of important problems with its high performance. The biggest advantage of machine learning is to process large amounts of data quickly and have a time-saving checkpoint. In determining food quality, machine learning can be an important method that can be applied without contacting and destroying food. In this thesis, it was aimed to determine the quality parameters of different types of fish by using deep learning method. Different types for this process; Trout, sea bass and sea bream were stored in ice for 7 days (3±1°C) and their pictures were recorded on each storage day. A total of 21,386 images were obtained during storage for 3 different fish species. These images were subjected to quality classification by machine learning. In the study, an algorithm known as SVM (support vector machine), which is a support vector machine, is used to classify images using CNN (Convolutional neural networks) features obtained from images. CNN's first layer specified the input dimensions of the images. Accurate classification rates ranged from 90.6% to 100%, and it was observed that the expectedincrease in accuracy was achieved with the increase in data. Average correct classification rates for trout, sea bream and sea bass were above 80%. The results of the study showed that the fresh-stale distinction of fish can be determined with high accuracy with machine learning and machine learning can be used as a fast quality determination method. |
