Aktaş, HakanKaragöz, Ömer2024-11-042024-11-042024https://hdl.handle.net/11480/915526.01.2025 tarihine kadar kullanımı yazar tarafından kısıtlanmıştır.Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı, Elektrik Elektronik Mühendisliği Bilim DalıMakine 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.With the developments in the field of machine vision, the classification of many products in the industry is done using machine vision techniques. As a result of rapid developments in the field of deep learning, many problems that can and cannot be done with image processing have become possible with deep learning. Instead of image processing systems, which are long and difficult to integrate, deep learning-based models that can be easily adapted and keep up with the industry have been developed. In this thesis; CNN (Convolutional Neural Networks) models have been actively used in order to automatically perform classification processes of products in the food industry with deep learning techniques. The almond problem was chosen as an example problem; It is aimed to classify whole almonds, cracked almonds and almond shells with high accuracy. Thanks to the developed experimental setup, a total of 380 images were taken for each class of whole almonds, cracked almonds and almond shells. 70%, 15% and 15% rates were used for training, validation and test data sets, respectively. Alexnet, InceptionV3, MobilenetV3 and VGG16 models were used to train and test these datasets. As a result of the training, the highest test accuracy was the InceptionV3 model with 99.41%. In this way, faulty (unwanted) product detection in the food industry was made with high accuracy and an exemplary study was presented for classification processes.trinfo:eu-repo/semantics/openAccessElektrik ve Elektronik MühendisliğiElectrical and Electronics EngineeringMaster Thesis181879526