Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması

Kayısı çekirdeği üretimi ve tüketimi fazla olan bir gıda ürünüdür. Kayısı iç çekirdeklerinin makine öğrenmesialgoritmaları kullanılarak, tatlı veya acı olarak sınıflandırılması bu çalışmanın konusunu oluşturmaktadır. Hemtatlı hem de acı kayısı iç çekirdeği için talep miktarı oldukça fazladır. Depolama şartları gibi nedenlerden dolayıkayısı iç çekirdekleri zaman zaman birbirine karışabilmektedir. Bu durum tüketiciler tarafından istenmeyen birdurumdur. Kayısı iç çekirdeğinin ayrıştırılması, gözle her zaman mümkün olmamaktadır. Bu çalışmanın amacı,insan faktörünü ortadan kaldırabilecek bir sınıflandırma yönteminin geliştirilmesidir. Bu sınıflandırma işlemi içink En Yakın Komşu, Destek Vektör Makinesi, Karar Ağacı, Rasgele Orman, Adaptive Boosting, Gaussian NaiveBayes ve Çok Katmanlı Algılayıcı algoritmaları kullanılmıştır. Yeterli sayıda öznitelik ile algoritmaların yarıdanfazlası sınıflandırma işlemini %100 başarı ile elde edebilmektedir. En az sayıda öznitelik kullanarak en iyi başarıRasgele Orman algoritması ile elde edilmiştir. Sonuçlar göstermiştir ki, kayısı iç çekirdeklerinin sınıflandırılmasıişlemi makine öğrenmesi algoritmaları ile başarılı bir şekilde gerçekleştirilebilmektedir.

Classification of Apricot Kernels by using Machine Learning Algorithms

Apricot kernel is a food product with high production and consumption. The classification of apricot kernels as sweet or bitter using machine learning algorithms is the subject of this study. The demand for both sweet and bitter apricot kernels are quite high. Due to reasons such as storage conditions, apricot kernels can get mixed from time to time. This situation is undesirable for consumers. The separation of apricot kernels is not always possible with the eyes. This study aims to develop a classification method that can eliminate the human factor. For this classification process, k Nearest Neighbor, Support Vector Machine, Decision Tree, Random Forest, Adaptive Boosting, Gaussian Naive Bayes and Multilayer Perceptron algorithms have been used. More than half of the algorithms with a sufficient number of attributes can achieve the classification process with 100% success. The best performance has been obtained by the Random Forest algorithm using the minimum number of features. The results show that the classification of apricot kernels can be carried out successfully with machine learning algorithms.

PDF

___

[1] Öztürk N., Ulusoy M.R., Erkılıç L., Bayhan S.Ö. 2004. Malatya ili kayısı bahçelerinde saptanan zararlılar ile avcı türler. Bitki Koruma Bülteni, 44 (1-4): 1-13.
[2] Wen X., Jin F., Regenstein J.M., Wang F. 2018. Transglutaminase induced gels using bitter apricot kernel protein: Chemical, textural and release properties. Food Bioscience, 26: 15-22.
[3] Kaya A., Okur M., Üstyol L., Temel H., Çaksen H. 2012. Kayısı çekirdeği yeme sonrası akut siyanür zehirlenme olgusu. Türk Pediatri Arşivi, 47 (2): 141-142.
[4] Özcan M., Özcan F.B.T., Yaşartekin Y., Yavuz H., Sarıcı S.Ü. 2017. Kayısı çekirdeğine bağlı akut siyanür zehirlenmesi, Cukurova Medical Journal, 42(3): 600–601.
[5] Karhan M., Oktay M.O., Karhan Z., Demir H. 2011. Morfolojik Görüntü İşleme Yöntemleri ile Kayısılarda Yaprak Delen (Çil) Hastalığı Sonucu Oluşan Lekelerin Tespiti. 6th International Advanced Technologies Symposium (IATS’11), 16–18 May, Elazığ, pp. 172-176.
[6] Khojastehnazhand M., Mohammadi V., Minaei S. 2019. Maturity detection and volume estimation of apricot using image processing technique. Scientia Horticulturae, 251: 247-251.
[7] Hussain Hassan N.M., Nashat A.A. 2019. New effective techniques for automatic detection and classification of external olive fruits defects based on image processing techniques. Multidimensional Systems and Signal Processing, 30 (2): 571-589.
[8] Alam M.N., Pineda I., Lim J.G., Gwun O. 2018. Apple Defects Detection Using Principal Component Features of Multispectral Reflectance Imaging. Science of Advanced Materials, 10 (7): 1051-1062.
[9] Ye D., Sun L., Tan W., Che W., Yang M. 2018. Detecting and classifying minor bruised potato based on hyperspectral imaging. Chemometrics and Intelligent Laboratory Systems, 177: 129- 139.
[10] Wan P., Toudeshki A., Tan H., Ehsani R. 2018. A methodology for fresh tomato maturity detection using computer vision. Computers and electronics in agriculture. 146: 43-50.
[11] Nasirahmadi A., Ashtiani S-H.M. 2017. Bag-of-Feature model for sweet and bitter almond classification. Biosystems Engineering. 156. 51-60.
[12] Thong N.D., Thinh N.T., Cong H.T. 2019. Mango Sorting Mechanical System Uses Machine Vision and Artificial Intelligence. International Journal of Engineering and Technology, 11 (5).
[13] Luan Z., Li C., Ding S., Wei M., Yang Y. 2020. Sunflower seed sorting based on Convolutional Neural Network. In Eleventh International Conference on Graphics and Image Processing (ICGIP 2019), 11373: 113731K.
[14] Zeng X., Miao Y., Ubaid S., Gao X., Zhuang S. 2020. Detection and classification of bruises of pears based on thermal images. Postharvest Biology and Technology, 161: 111090.
[15] Zhao B., Wang Y., Fu J., Zhao R., Li Y., Dong X., Lv C., Jiang H. 2020. Online Measuring and Size Sorting for Perillae Based on Machine Vision. Journal of Sensors, 2020 (Özel Sayı): 1-8.
[16] Kalaycı T.E. 2018. Comparison of Machine Learning Techniques for Classification of Phishing Web Sites. Pamukkale University Journal of Engineering Sciences, 24 (5): 870-878.
[17] Aydın C. 2018. Makine Öğrenmesi Algoritmaları Kullanılarak İtfaiye İstasyonu İhtiyacının Sınıflandırılması. European Journal of Science and Technology, 14: 169-175.