Yazar "Karagöz, Ömer" seçeneğine göre listele

Listeleniyor 1 - 2 / 2
  • Küçük Resim Yok
    Öğe
    Derin öğrenme teknikleri ile elmada (Granny Smith) kusur tespiti
    (2023) Ünal, Zeynep; Kızıldeniz, Tefide; Özden, Mustafa; Aktaş, Hakan; Karagöz, Ömer
    Elma (Malus communis L.) derimi sırasında ürünün kalitesini düşüren fiziksel zararlanmaların oluşması kaçınılmazdır. Zarar gören meyvelerin erken tespit edilerek ayrılması ticari değerinin artırılması açısından önemlidir. Tespit edilemeyen kusurlu ürünler sağlam ürünlerin kalitesini etkilediğinden dolayı gıda kaybının yanı sıra üretim hacmini de düşürmektedir. Çalışmanın amacı, “Granny Smith” elma çeşidinden alınan görüntüler üzerinde, derin öğrenme teknikleri kullanarak elmalarda kusur tespit etmektir. Özel koşul gerektirmeyen, uygun maliyetle sınıflandırma ve kusur tespiti yapacak bir teknik araştırılırmıştır. Çalışmada, InceptionV3 modelinin 100 çevrim sonunda test doğruluğu %100, AlexNet modelinin ise test doğruluğu %98.33 elde edilmiştir. Derin öğrenme teknikleriyle, derim sırasında meyve üzerinde oluşan zararlar tespit edilerek ayrılmasıyla, derim sonrası oluşabilecek ekonomik kayıpların önüne geçebilecek bir yöntem geliştirilmiştir.
  • Küçük Resim Yok
    Öğe
    Gıda sektöründeki sınıflandırma işlemlerinin derin öğrenmemimarileri ile gerçekleştirilmesi
    (Niğde Ömer Halisdemir Üniversitesi, 2024) Karagöz, Ömer; Aktaş, Hakan
    Makine görmesi alanındaki gelişmeler ile birlikte endüstrideki birçok ürünün sınıflandırılması makine görmesi teknikleri ile yapılmaktadır. Gelişen teknolojiyle birlikte derin öğrenme alanındaki hızlı gelişmeler neticesinde görüntü işleme ile yapılan ve yapılamayan birçok problem derin öğrenme ile yapılabilir hale gelmiştir. Entegre edilmesi uzun ve zorlu olan görüntü işleme sistemlerinin yerine kolay uyum sağlayıp endüstriye de ayak uydurabilen derin öğrenme modelleri geliştirilmiştir. Bu tez çalışmasında; gıda sektöründeki ürünlerin sınıflandırılması derin öğrenme teknikleri ile otomatik olarak yapılabilmesi için (Evrişimli Sinir Ağı) modelleri aktif bir şekilde kullanılmıştır. Örnek problem olarak badem problemi seçilmiş olup; tam badem, kırık badem ve badem kabuklarının yüksek doğrulukta sınıflandırılması hedeflenmiştir. Geliştirilen deney düzeneği sayesinde badem, kırık badem ve badem kabuklarına ait her bir sınıf için toplam 380 görüntü alınmıştır. Eğitim, doğruluma ve test veri setleri için sırasıyla %70, %15 ve %15 oranları kullanılmıştır. Bu veri setlerini eğitip test etmek için Alexnet, InceptionV3, MobilenetV3 ve VGG16 modelleri kullanılmıştır. Eğitimler sonucunda en yüksek test doğruluğu %99.41 ile InceptionV3 modeli olmuştur. Bu sayede gıda sektöründeki hatalı(istenmeyen) ürün tespiti yüksek doğrulukta yapılarak sınıflandırma işlemlerine örnek bir çalışma ortaya koyulmuştur.