Ses sinyallerini kullanarak yumurta kabuğundaki çatlakların tespiti

Abstract

Yumurta üretim çiftliklerinde yumurtaların taşınması, sınıflandırılması, belirli ölçütlere göre ayrılması gibi birtakım süreçler, yumurta sanayisi için üretilmiş makineler tarafından gerçekleştirilmektedir. Yumurtaların bu makinelerdeki işlem süreçlerinde veya fiziksel dış etmenlere maruz kalması sonucu, yumurta kabuğunda çatlaklar ve kırıklar oluşabilmektedir. Oluşan çatlak veya kırık bölgeler yumurtayı hastalık yapıcı mikro organizmalara karşı savunmasız bırakabilmektedir. Bundan dolayı çatlak veya kırık yumurtaların sağlam yumurtalardan ayrıştırılma işlemi, gerek gıda güvenliği gerekse ekonomik kayıplardan ötürü bir gereklilik arz etmektedir.

Bu araştırmada, destek vektör makinaları ve yapay sinir ağı gibi yapay zekâ yöntemleri ile birlikte yumurta kabuğunda herhangi bir zarara sebep olmayacak şekilde uygulanan mekanik etki sonucu yumurta kabuğundan elde edilen akustik sinyaller kullanılarak yumurta çatlak tespiti yapılmıştır. Uygulanan yöntemler neticesinde çatlak tespit işlemi doğruluk değerleri yapay sinir ağı için 0,99, destek vektör makinaları için 1 olarak elde edilmiştir. Ayrıca LABVIEW ortamında geliştirilen program ile gerçek zamanlı olarak çatlak tespiti yapılmıştır.

In egg production farms, some processes such as the transport of eggs, their classification and their separation according to certain criteria are carried out by the machines produced for the egg industry. Cracks and cracks can form in the eggshell as a result of the eggs being exposed to the processing process or physical external factors in these machines. Cracked or broken areas can make the egg vulnerable to disease-causing microorganisms. Therefore, the separation of cracked or broken eggs from intact eggs is a necessity for both food safety and economic losses

In this study, eggs cracks were detected by using support vector machines and artifical neural network artificial intelligence methods and acoustic signals obtained from egg shell. As a result of the methods applied, the accuracy of crack detection was 0,99 for artifical neural network and 1 for support vector machines. In addition, crack detection has been done in real time with the interface program developed in LABVIEW environment.