Yapay sinir ağları tabanlı yumurta ağırlık ve sınıflandırma tahmini

Abstract

Yumurta, besleyici özelliği ve ekonomik açıdan düşük maliyete sahip olması nedeni ile dünyada yaygın bir şekilde tüketilmektedir. Bununla birlikte yumurta ağırlığının hassas bir şekilde ölçülmesi ve buna göre ağırlık sınıfının doğru olarak belirlenmesi önemli bir aşamadır. Sunulan bu çalışmada, yumurta görüntüleri kullanılarak YSA tabanlı ağırlık tahmini yapılmış ve bu sonuçlara göre yumurta sınıflandırma işlemi gerçekleştirilmiştir. Çalışmada öncelikle S, M, L ve XL sınıflarında olmak üzere 4 farklı paketlenmiş 120 adet yumurtanın ağırlıkları hassas terazi ile tartılmıştır. Ardından ikinci aşamada, ilgili yumurtalara ait 120 adet yumurta veri seti, saatin tersi yönünde 30⁰, 100⁰ ve 200⁰ döndürülerek toplam 480 adet yumurta görüntüsüne sahip daha geniş bir veri seti oluşturulmuştur. YSA tabanlı tahmin işleminin gerçekleştirilebilmesi amacı ile ilgili veri setine ait 336 yumurta görüntüsü eğitim, 72 adet yumurta görüntüsü doğrulama ve 72 adet yumurta görüntüsü test için üç bölüme ayrılmıştır. Çalışmadan elde edilen sonuçlara göre, YSA-tabanlı tahmin sistemi YSA-tabanlı ağırlık tahmin sistemine ait eğitim sonucu %98.2, doğrulama (validation) sonucu %98.1 ve test işleminden %97.9 oranında başarı sağlanmıştır. Sunulan bu çalışma ile, tasarımı yapılan ileri beslemeli YSA yapısının yumurta ağırlığına göre sınıflandırma uygulamalarında başarılı bir şekilde kullanılabileceği gösterilmiştir.

Eggs have consumed both nutritional properties and lower prices all over the world. Thus, precise measurement of egg weight and accurate weight class determination is an important stage. In this study, ANN-based weight estimation has been performed using egg images, after egg classification has been performed according to these results. With this study, the weights of 120 eggs packed in 4 different packages as S, M, L, and XL classes have been weighed with an assay balance. In the second section, a huge 480 egg images dataset have been generated with applying 30°, 100°, and 200° counterclockwise image rotations to related 120 egg images. In order to perform ANN-based prediction, the dataset have been divided into three parts to 336 egg images for training, 72 egg images for validation and 72 egg images for testing. According to the results obtained from the study, the ANN-based weight estimation system achieved 98.2% success in training, 98.1% success in validation and 97.9% success in testing. In this study, it has been shown the study that the feed-forward ANN structure designed can be successfully used in egg weight classification applications.