1.11 Gıda Kalitesi Derecelendirmesi (Food Quality Grading)

1. Problem Tanımı ve Sistemik Etki

Hasat sonrası gıda kalitesi derecelendirmesi, tarımsal değer zincirinin en kritik aşamalarından biridir. FAO tahminlerine göre küresel gıda üretiminin %14'ü hasat ile perakende arasında kaybolmakta; bu kayıpların önemli bir kısmı yetersiz veya hatalı kalite sınıflandırmasından kaynaklanmaktadır. Ekonomik etkisi yıllık 400 milyar USD'yi aşmaktadır. Yalnızca meyve ve sebze sektöründe, kalite sınıflarının yanlış belirlenmesi nedeniyle oluşan fiyat kaybı toplam ürün değerinin %8-12'sine ulaşmaktadır.

Geleneksel kalite derecelendirme yöntemlerinin kısıtlamaları şunlardır:

• İnsan gözü sınırlılığı: Eğitimli derecelendirici, saatte ortalama 200-400 adet ürünü görsel olarak inceleyebilir. Yüksek hacimli işleme hatlarında (10.000+ adet/saat) bu hız yetersizdir.
• Subjektif değerlendirme: Renk tonu, yüzey kusuru derecesi ve boyut tahmini gözlemciler arasında %10-20 tutarsızlık gösterir. Aynı gözlemcinin gün içindeki yorgunluğa bağlı performans düşüşü %5-8 arasındadır.
• İç kalite parametreleri: Şeker oranı (Brix), asitlik, sertlik ve iç kusurlar (ör. böcek yeniği, çürük) yüzey incelemesiyle tespit edilemez — bu parametreler toplam kalite değerlendirmesinin %40-60'ını oluşturmasına rağmen geleneksel görsel derecelendirmede göz ardı edilir.
• Standart uyumsuzluğu: Farklı pazarların (iç pazar, AB, ABD, Asya) kalite standartları birbirinden önemli ölçüde farklılaşır; aynı ürün bir pazarda "ekstra" sınıfken diğerinde "birinci" olabilir.

Bu kısıtlamalar, makine görüntüsü (machine vision) ve spektroskopi tabanlı otomatik kalite derecelendirme sistemlerini gıda mühendisliği ve tarımsal makine öğrenmesinin en olgun uygulama alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1990-2014)

Erken dönem otomatik derecelendirme sistemleri, makine görüntüsü temelli özellik çıkarma ve sığ sınıflandırıcılara dayanmaktaydı:

• Renk histogramı analizi: RGB veya L*a*b* renk uzayında histogram istatistikleri ile olgunluk ve renk homojenliği tahmini. Leemans et al. (2002), elma derecelendirmesinde L*a*b* tabanlı renk segmentasyonu ile kusur tespit doğruluğunu %78 olarak raporlamıştır.
• Morfolojik özellikler: Görüntü segmentasyonu ile boyut, şekil (dairesellik indeksi, boy/en oranı) ve yüzey pürüzlülüğü hesaplanır. Bu özellikler SVM veya LDA ile sınıflandırılır.
• Doku tanımlayıcıları (GLCM, Gabor): Yüzey doku kalıplarının istatistiksel analizi ile kusur (çizik, leke, çürük) tespiti. Unay ve Gosselin (2006), elma yüzey kusurlarında Gabor filtre + SVM ile %89,2 sınıflandırma doğruluğu raporlamıştır.

Limitasyonlar: Her ürün tipi (elma, domates, fıstık) ve her kusur türü için ayrı özellik mühendisliği gerekir. Aydınlatma koşullarına ve ürün çeşidine aşırı duyarlıdır. İç kalite parametrelerini ölçme kapasitesi yoktur.

2.2 Modern Yaklaşımlar (2014-Günümüz)

CNN Tabanlı Görsel Derecelendirme

• Girdi: Kontrollü aydınlatma altında çekilen RGB ürün görüntüleri (tipik olarak 224x224 veya 512x512 piksel). Üst, alt ve yan görünümler çoklu kamera sistemiyle yakalanabilir.
• Çalışma prensibi: Evrişim katmanları renk, doku ve şekil özelliklerini hiyerarşik olarak öğrenir. Son katman, kalite sınıflarına (ekstra, I, II, ıskarta) veya kusur kategorilerine softmax olasılık dağılımı verir.
• Eğitim: Transfer öğrenme (ImageNet ön eğitimli VGG16, ResNet50, EfficientNet) ile tipik olarak 2.000-10.000 etiketli görüntüyle eğitim.
• Performans: Naranjo-Torres et al. (2020), meyve ve sebze derecelendirmesinde CNN ile geleneksel yöntemlere kıyasla %5-12 doğruluk artışı ve %92-98 genel doğruluk aralığı raporlamıştır.

Hiperspektral Görüntüleme (HSI)

• Girdi: 400-2500 nm aralığında yüzlerce dar bant görüntüsü (hiperspektral küp). Her piksel, bir tam yansıma spektrumu içerir.
• Çalışma prensibi: Mekansal ve spektral bilginin birlikte kullanılmasıyla hem yüzey hem iç kalite parametreleri tahmin edilir. PLS regresyon ile Brix (R²=0,92), asitlik (R²=0,87) ve sertlik (R²=0,84) tahmini yapılabilmektedir.
• Avantaj: İnsan gözüne görünmeyen iç kusurlar (ör. böcek yeniği, su kabarcığı, iç kahverengi leke) tespit edilebilir.
• Sınırlılık: Hiperspektral kamera maliyeti 30.000-150.000 USD; veri boyutu büyük (GB/görüntü); gerçek zamanlı işleme zor.

SVM ve Topluluk Yöntemleri

• Uygulama: Hiperspektral veya multispektral veriden seçilen bant alt kümesi üzerinde SVM veya RF ile sınıflandırma. Boyut indirgeme (PCA) sonrası 5-15 bant ile %90+ doğruluk elde edilebilmektedir.
• Avantaj: Küçük veri setlerinde CNN'den daha güvenilir; yorumlanabilirlik yüksek.
• Sınırlılık: Bant seçimi probleme özgüdür — bir ürün için optimal bantlar diğerine aktarılamaz.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Renk Kalibrasyonu ve Aydınlatma Tutarlılığı

Endüstriyel derecelendirme hatlarında aydınlatma koşullarının 8-12 saatlik vardiya boyunca sabit kalması kritiktir. LED aydınlatma kaynakları zamanla spektral kayma gösterir (1000 saat sonra renk sıcaklığında 50-100 K sapma). Bu kayma, CNN'in öğrendiği renk özelliklerini sistematik olarak bozar. Renk kalibrasyon kartları (X-Rite, ColorChecker) ile periyodik düzeltme gerekir; ancak otomatik kalibrasyon sistemleri henüz yaygınlaşmamıştır.

Yüzey Yansıması ve Parlaklık

Parlak yüzeyli ürünlerde (elma, domates, biber) speküler yansıma, görüntüde doygun beyaz bölgeler oluşturarak renk bilgisini tamamen yok edebilir. Polarize aydınlatma ve çapraz polarizasyon filtreleri bu etkiyi azaltır; ancak mat yüzeyli ürünlerde (fıstık, ceviz) kontrast kaybına neden olur. Her ürün tipi için farklı optik konfigürasyon gereksinimi, sistemin esnekliğini sınırlar.

Sınıf Dengesizliği ve Subjektif Etiketleme

Kalite sınıflarının dağılımı doğal olarak dengesizdir: tipik bir partide %60-70 ekstra/I. sınıf, %20-25 II. sınıf ve %5-10 ıskarta bulunur. Ayrıca eğitim verisi etiketlemesinde uzmanlar arası tutarlılık (inter-rater agreement) genellikle kappa=0,65-0,80 aralığındadır — bu, modelin öğrenebileceği kalite sınırının zaten belirsiz olduğu anlamına gelir. Mükemmel bir model bile uzman tutarsızlığının ötesine geçemez.

Ürün Çeşidi Değişkenliği

Aynı meyve türünün farklı çeşitleri (ör. elma için Gala, Fuji, Granny Smith) renk, boyut ve şekil açısından büyük farklılıklar gösterir. Bir çeşitte eğitilmiş model, diğer çeşide doğrudan uygulandığında %10-25 performans kaybı yaşanır. Çok çeşitli (multi-cultivar) modeller eğitmek, sınıf sayısını katlayarak veri gereksinimini artırır.

Hat Hızı ve Çıkarım Süresi

Endüstriyel meyve paketleme hatları saniyede 10-30 adet ürün işlemektedir. Bu, görüntü yakalama + çıkarım + sınıflandırma + mekanik ayırma döngüsünün 30-100 ms içinde tamamlanmasını gerektirir. Hiperspektral sistemlerde bu süre 200-500 ms'ye çıkabilir — push-broom tarama yöntemi ile hat hızı arasındaki tradeoff kritik bir darboğazdır.

Bölgesel Senaryo: Siirt Fıstığı Kalite Sınıflandırması

Siirt fıstığı (Pistacia vera L.), Türkiye'nin coğrafi işaretli ürünlerinden biridir ve yıllık 15.000-20.000 ton üretim hacmiyle bölge ekonomisinin temel taşlarından birini oluşturmaktadır. Kalite derecelendirmesinde üç spesifik mühendislik problemi mevcuttur:

1. Kabuk açıklığı (split ratio) tespiti: Fıstıkta kabuğun doğal olarak açılmış olması (naturally split) en önemli kalite parametresidir ve fiyatı %30-50 artırır. RGB tabanlı CNN ile kabuk açıklığı tespiti %95+ doğrulukla mümkündür; ancak kısmen açılmış (partially split) fıstıkların sınıflandırılması subjektif bir eşik içerir ve uzmanlar arası tutarsızlık yüksektir.
2. Aflatoksin riski taşıyan fıstıkların tespiti: Aspergillus flavus enfeksiyonuyla kontamine fıstıklar, RGB görüntüsünde her zaman ayırt edilemez — erken enfeksiyon evresinde görsel belirti yoktur. NIR (1000-1700 nm) veya SWIR (1700-2500 nm) bantlarında küf metabolitlerinin spektral imzası tespit edilebilir; ancak bu sensörlerin fıstık işleme hatlarına entegrasyonu henüz Türkiye'de yaygınlaşmamıştır.
3. Renk homojenliği ve çeşit farkı: Siirt çeşidi, Antep fıstığından daha koyu kabuk rengine sahiptir. Antep fıstığı verisinde eğitilmiş renk bazlı modeller, Siirt çeşidine doğrudan uygulandığında renk sınıflandırmasında sistematik hata üretir — bu nedenle çeşide özgü kalibrasyon çoğu durumda gereklidir.

4. Literatür: Seminal Çalışmalar

Naranjo-Torres et al. (2020) — Meyve ve sebze kalite sınıflandırmasında derin öğrenme uygulamalarının kapsamlı derlemesi. 50+ çalışmanın analizi sonucunda CNN'in geleneksel yöntemlere kıyasla %5-12 doğruluk artışı sağladığını, ancak çalışmaların %70'inin laboratuvar koşullarında yapıldığını ve endüstriyel hat koşullarında doğrulama eksikliği bulunduğunu vurgulamıştır. (480+ atıf)

Unay ve Gosselin (2006) — Elma yüzey kusur tespitinde makine görüntüsü yaklaşımları. Gabor filtre bankası + SVM ile 6 kusur sınıfında %89,2 doğruluk. Farklı elma çeşitlerinde (Jonagold, Golden Delicious) model performansının %8-15 değiştiğini gösteren çapraz çeşit analizi. (340+ atıf)

Feng et al. (2012) — Hiperspektral görüntüleme ile meyve kalite değerlendirmesi derlemesi. HSI + PLS ile Brix (R²=0,92), sertlik (R²=0,84) ve iç kahverengi leke tespiti (%94 doğruluk) raporlanmıştır. Bant seçimi stratejilerinin hesaplama verimliliğini 10-50x artırdığını göstermiştir. (520+ atıf)

Bhargava ve Bansal (2021) — Gıda kalite analizi için derin öğrenme ile bilgisayarlı görü derlemesi. Meyve, sebze, et ve tahıl ürünlerinde CNN tabanlı kalite sınıflandırma çalışmalarının sistematik analizi. Transfer öğrenmenin küçük gıda veri setlerinde %6-10 doğruluk artışı sağladığını raporlamıştır. (380+ atıf)

Leemans et al. (2002) — Elma derecelendirmesinde otomatik makine görüntüsü sistemi. L*a*b* renk uzayında segmentasyon + Bayes sınıflandırıcı ile 3 kalite sınıfında %78 doğruluk. Endüstriyel hat hızında (5 adet/saniye) gerçek zamanlı performansın kanıtlanmış ilk çalışmalardan biri. (290+ atıf)

5. Gelecek Vizyonu

Multispektral Hat Üstü Sistemler

Hiperspektral sistemlerin maliyet ve hız dezavantajlarını aşmak için, PCA veya genetik algoritma ile seçilen 3-8 optimal bant üzerine tasarlanan multispektral kameralar geliştirilmektedir. Bu yaklaşım, hiperspektral doğruluğun %90-95'ini korurken hat hızını 10-20 adet/saniye seviyesine çıkarma potansiyeli taşımaktadır. Kamera fiyatının 5.000-15.000 USD aralığına düşmesi, orta ölçekli işletmeler için erişilebilirliği artıracaktır.

Robotik Derecelendirme ve Ayırma

Görüntü tabanlı kalite sınıflandırmasının mekanik ayırma (sorting) sistemiyle tam entegrasyonu, kapalı döngü otomasyon hedefinin temelidir. Delta robotları ve pnömatik ejektörlerle tek tek ürün düzeyinde ayırma, %99+ ayırma doğruluğu hedeflemektedir. Ancak deformasyona duyarlı ürünlerde (ör. çilek, domates) robotik tutma kuvveti kontrolü kritik bir mühendislik sorunudur.

Blockchain Tabanlı Kalite İzlenebilirlik

Otomatik derecelendirme sonuçlarının blockchain üzerinde değişmez kayıt olarak saklanması, tarladan sofraya kalite izlenebilirliği sağlama potansiyeli taşımaktadır. Bu entegrasyon, ihracat pazarlarındaki kalite itiraz süreçlerini nesnel kanıtlarla destekleyebilir. Ancak her ürün için görüntü + spektral veri depolama maliyeti ve blockchain ölçeklenebilirlik sorunları pratik engeller olarak devam etmektedir.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği