Küf Gelişiminin Görüntü İşleme Teknikleri ile Analizi

Gıda endüstrisi, fabrika çıkışından son kullanma tarihine kadarki ürünlerin ticari kalitesinin belirlenmesi için Kritik Kontrol Noktalarının Tehlike Analizi(HACCP,Hazard Analysis and Critical Control Point) standartlarına uygun olarak hammaddeden bitmiş ürüne kadar tüm üretim işleminin mikrobiyolojik yükünü gösteren mikrobiyal florayı saymaktadır. Rutin olarak kullanılan kalite indikatörler; toplam bakteri, toplam koliform, enterobecteriaceae, e.coli, s.aureus, maya ve küflerdir. Mevcut uygulamada küf ve maya gelişiminin analizi, inkübasyon süresinin sonunda besi yeri üzerinden kumpas veya cetvel gibi araçlar kullanılarak yapılmaktadır. İnsan algılaması ağırlıklı olarak görsel duyu becerisi ile sağlanmaktadır. İnsan, objeleri sadece sınıflandırmak ya da tanımlamak için değil, belli bir sahneyi tarayıp onun hakkında bir duygu veya izlenim edinmek için bakar. İnsan bu becerisi sayesinde elde ettiği görüntüleri çok hızlı ve büyük miktarda işleyebilme kapasitesine sahiptir. Bu çalışmada küf gelişiminin zamana bağlı gelişim hızlarının görüntü işleme teknikleri ile belirlenerek mikrobiyolojik çalışmalar için alternatif değerlendirme metodunun geliştirilmesi hedeflenmektedir. Yapılan çalışma sonucunda PID kontrollü Elektromag M3025p model etüv, küf gelişimi için gerekli ortam şartlarının sağlanması için revize edilerek çalışmaya uygun hale getirilmiştir. Revize edilen inkübatör kabininin sıcaklık ve ışık dağılımının homojenliği plexiglass ve vinil malzeme kullanılarak sağlanmıştır. Sonuç olarak donanım ve yazılım bileşenlerinin uyumlu çalışması sağlanarak mevcut değerlendirme kriterlerine alternatif metot geliştirilmiştir. Geliştirilen metot sayesinde hem nicel veriler elde edilmiş hem de kontaminasyon problemlerinin önüne geçilmiştir.

Image Processing Techniques for the Analysis of Mold Growth

The food industry, in accordance with HACCP (Hazard Analysis and Critical Control Point) standards by factory default until the expiration date for the determination of the commercial quality of the products up to the finished product shows the number of all microbial flora it is assumed.Quality indicators are used routinely; total bacteria, total coliforms, Enterobacteriaceae, E. coli, Staphylococcus aureus, yeast and molds. In practice, the analysis of mold and yeast growth is done through the media using tools like caliper at the end of the incubation period. Human perception is mainly provided by the visual sensory skills. Human beings do not see objects to classify or define just scan a particular scene or look to get an impression about his feelings. Human, with images obtained through this ability that has a very fast and be able to handle a large amount of capacity.In this study, determined by image processing techniques of mold growth rate of time‐bound development aims to develop alternative assessment methods for microbiological studies.As a result of the study, PID controlled models Elektromag M3025p oven, environmental conditions necessary for the development of moulds have been made available for the provision of the revised study.In the revised incubator cabinet, temperature and light distribution uniformity is ensured by plexiglass and vinyl material.As a result, ensuring consistent operation of hardware and software components developed an alternative method to the current evaluation criteria.

PDF

___

Comin C. H., Xu X., Wang Y., Costa L. F. and Yang Z., 2014. An image processing approach to analyze morphological features of microscopic images of muscle fibers. Computerized Medical Imaging and Graphics38, 803‐814
Kurz, L., & Benteftifa, M. H., 2006. Analysis of variance in statistical image processing, Cambridge University Press.
Martínez‐Alvarez J. J., Garrigós J., Toledo J., Colodro‐ Conde C., Villó‐Pérez I.and Ferrández J. M.,2015. A scalable CNN architecture and its application to short exposure stellar images processing on a HPRC.Neurocomputing, 151, 91‐100
McAndrew, A. (2004). An introduction to digital image processing with matlab notes for scm2511 image processing. school of computer science and Mathematics, Victoria university of technology, 1-264.
Perret B., Collet Ch., 2015. Connected image processing with multivariate attributes: An unsupervised Markovian classification approach. Computer Vision and Image Understanding, 133, 1‐14
Qing Y., Ding‐xiang X., Qing‐jie L., Bao‐jun Y., Guang‐ qiang D. and Jian T., 2014. Automated Counting of Rice Planthoppers in Paddy Fields Based on ImageProcessing, Journal of Integrative Agriculture, 13(8), 1736‐1745
Shanmugavadivu P. and Balasubramanian K., 2014. Thresholded and Optimized Histogram Equalization for contrast enhancement of images.Computers and Electrical Engineering,40, 757‐768
Szczypinski P. M., Klepaczko A. and Zapotoczny P., 2015. Identifying barley varieties by computer vision. Computers and Electronics in Agriculture, 110, 1‐8
Zhang Q., Skjetne R., Metrikin I. and Løset S., 2015. Image processing for ice floe analyses in broken‐ice model testing. Cold Regions Science and Technology,111, 27‐38
İnternet Kaynakları
1.http://www.kascert.com/goster.aspx?metin_id=27
2. http://microbeonline.com/potato‐dextrose‐agar‐pda‐ principle‐composition‐colony‐characteristics/