Yapay zekâ temelli fındık çeşitlerini sınıflandırma makinesinin tasarımı ve imalatı
| dc.contributor.advisor | Katırcıoğlu, Ferzan | |
| dc.contributor.author | Kaymak, Rabia | |
| dc.date.accessioned | 2025-10-11T20:34:52Z | |
| dc.date.available | 2025-10-11T20:34:52Z | |
| dc.date.issued | 2024 | |
| dc.department | DÜ, Lisansüstü Eğitim Enstitüsü, Mekatronik Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Fındık, özellikle gıda ve tarım endüstrisinde büyük bir öneme sahip olup, çeşitli türlerinin farklı alanlarda kullanılması, işleme süreçlerinin verimliliğini ve ürün kalitesini doğrudan etkilemektedir. Günümüzde fındık çeşitlerini kabuktan ayırma yapan makineler üretilmemekte; bunun yerine dolu, boş veya kırık fındıkları ayıran makineler yaygın olarak kullanılmaktadır. Fındık türlerinin ayrılması hem işleme sürecini optimize etmek hem de nihai ürün kalitesini artırmak açısından önemlidir. Bu bağlamda, önerilen bu çalışmada, fındıklar sahip oldukları fiziksel, renk ve doku gibi değerlerine bakılarak uygun kullanım alanlarında kullanılmak üzere cinsine göre kabuktan sınıflandırma işlemi yapılması amaçlanmıştır. Bant üzerinde yuva görüntülerinin alınması, kırpma işlemi, arka planın çıkartılması ve ölçü standartlaştırma gibi ön görüntü işleme çalışmalarından sonra, görüntülerden öznitelik çıkarımı yapılmıştır. Sınıflandırma işleminde yüksek başarı oranları elde edebilmek için çıkarım yöntemlerinin boyut, renk ve doku farklılıklarını içermesi sağlanmıştır. Sınıflandırma sonuçlarına göre bant üzerinde ayrıştırma için vakum prensibine dayalı bir sistem geliştirilmiştir. 3 fındık türünü ayrıştırmada bant üzerindeki yuvalara denk gelen kayar plakalar step motorlar aracılığıyla konumlandırıldıktan sonra vakumlama işlemi ile ilgili hazneye bırakılmaktadır. Özellik çıkarım yöntemleri olarak, Boyut, Renk, Haralick, Yerel İkili Desen Algoritması ve Yönlendirilmiş Gradyanların Histogramı yöntemleri kullanılmıştır. Son olarak, seçilen bu öznitelikler, K En Yakın Komşu, Karar Ağaçları, Destek Vektör Makineleri, İleri Beslemeli Yapay Sinir Ağları, Yinelemeli Sinir Ağları ve İleri Kademeli Sinir Ağları sınıflandırıcılarına uygulanmaktadır. Sınıflandırma sonuçlarına göre %92 doğruluk değeri ile İleri Kademeli Sinir Ağları'nın diğerlerine göre daha iyi performans gösterdiğini ortaya konmaktadır. Sonuç olarak, imalatı ve tasarımı gerçekleştirilen makine öğrenme tabanlı fındık meyvesini dış kabuk üzerinden sınıflandırılması hem endüstriyel süreçlerde kaliteyi artıracak hem de verimliliği yeni bir seviyeye taşıyarak sektörde önemli bir yenilik oluşturacaktır | en_US |
| dc.description.abstract | Hazelnuts are of considerable importance, particularly in the food and agriculture industries, where the utilization of different varieties in various applications directly influences processing efficiency and product quality. Currently, however, there are no machines designed specifically to differentiate hazelnut varieties based on their shell characteristics; instead, existing machinery predominantly separates hazelnuts into categories such as full, empty, or broken. The ability to distinguish between hazelnut varieties is essential for optimizing processing workflows and improving the quality of the final product. In this context, the proposed study seeks to classify hazelnuts by analyzing their physical attributes, including color and texture, to determine their suitability for specific applications. After capturing images of hazelnut shells on the conveyor belt, preliminary image processing steps such as cropping, background removal, and measurement standardization were performed. Subsequently, feature extraction was carried out on the processed images. To ensure high classification accuracy, the feature extraction methods were designed to capture variations in size, color, and texture. Based on the classification results, a vacuum-based system was developed to separate the three types of hazelnuts on a conveyor belt. Sliding plates aligned with the slots on the belt are positioned by stepper motors, and then the hazelnuts are released into the designated chamber through a vacuuming process. The techniques employed for feature extraction included Dimension, Color, Haralick, Local Binary Patterns and Histogram of Oriented Gradients (HOG). These extracted features were then applied to various classifiers, including K-Nearest Neighbor, Decision Tree, Support Vector Machine, Feedforward Neural Networks, Recurrent Neural Networks, and Cascade Forward Neural Network. The classification results revealed that the Cascade Forward Neural Network classifier outperformed the others, achieving an accuracy rate of %92. In conclusion, the machine learning-based system developed for classifying hazelnuts by their outer shell is poised to significantly enhance quality in industrial processes while introducing a major innovation by elevating efficiency to a new level. | en_US |
| dc.identifier.endpage | 75 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=P3dtmmHrq-mzEcmCLi1CqXrmWNnYIWSCWnDI0i6wZSHVEwUIC6p3OO6zDw5oIMSK | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12684/20410 | |
| dc.identifier.yoktezid | 920260 | en_US |
| dc.institutionauthor | Kaymak, Rabia | |
| dc.language.iso | tr | en_US |
| dc.publisher | Düzce Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.snmz | KA_TEZ_20250911 | |
| dc.subject | Mekatronik Mühendisliği | en_US |
| dc.subject | Mechatronics Engineering | en_US |
| dc.title | Yapay zekâ temelli fındık çeşitlerini sınıflandırma makinesinin tasarımı ve imalatı | en_US |
| dc.title.alternative | Design and manufacturing of artificial intelligence basedhazelnut types classification machine | en_US |
| dc.type | Master Thesis | en_US |
