Gıda Kalitesi Derecelendirmesi (Food Quality Grading)

Makine öğrenmesi kullanarak hasat sonrası gıda kalitesi değerlendirmesi, tarımsal ürünlerin muayene, sınıflandırma ve derecelendirmesini otomatikleştirir. Amaçlar; ürünleri kalite sınıflarına ayırmak, kusur ve kontaminasyonu tespit etmek, raf ömrünü tahmin etmek ve iç kalite özelliklerini ölçmektir -- tümü tahribatsız ve üretim hattı hızlarında. Makine öğrenmesi destekli derecelendirme sistemleri, öznel insan değerlendirmesini azaltır, verimi artırır, tutarlılığı sağlar ve ürünlerin farklı pazar kanallarına uygun şekilde yönlendirilmesini mümkün kılarak gıda israfını en aza indirir.

İç Kalite için Hiperspektral Görüntüleme

Hiperspektral görüntüleme (HSI), yüzlerce bitişik spektral bant boyunca yansıtma veya geçirgenliği yakalayarak, standart RGB görüntülerinde görünmeyen kimyasal bileşim bilgisini kodlar. Gıda kalitesi değerlendirmesi için HSI şunları ortaya koyar:

• Şeker içeriği (Brix): NIR bantlarındaki absorpsiyon özellikleri çözünür katı maddelerle korelasyonlu
• Asitlik (titre edilebilir asitlik, pH): SWIR'de organik asitlerin moleküler titreşimleri tespit edilir
• Sertlik: NIR'deki saçılma özellikleri hücre yapısı ve turgorla ilişkili
• Nem içeriği: 970, 1200 ve 1450 nm'de güçlü su absorpsiyon bantları
• İç kararma ve bozukluklar: Dış belirtiler ortaya çıkmadan önce kimyasal değişimlerin uzamsal dağılımı
• Kontaminasyon: Yabancı cisimler, küf, mikotoksinler, pestisit kalıntıları

HSI kalite değerlendirmesi için makine öğrenmesi iş akışı: 1. Hiperspektral görüntü elde etme (push-broom veya anlık kameralar) 2. Spektral ön işleme (normalizasyon, saçılma düzeltmesi) 3. Boyut azaltma (PCA, dalga boyu seçimi) 4. Model eğitimi: Sürekli kalite parametreleri için PLSR, uzamsal kusur haritaları için CNN, sınıflandırma için SVM 5. Piksel bazlı veya nesne düzeyinde tahmin ve görselleştirme

HSI sistemleri, elma, kivi, mango ve şeftali gibi meyvelerde şeker içeriği için R-kare 0.80-0.95 ve sertlik için 0.70-0.85 değerleri elde etmektedir.

Yüzey Kusuru Tespiti

RGB kamera tabanlı muayene sistemleri dış kalite sorunlarını tespit eder:

• Ezilme tespiti: Meyve yüzeylerinde renk ve doku anomalileri; erken aşamalarda genellikle ince
• Böcek zararı: Delikler, tüneller, dışkı birikintileri
• Skarlaşma ve pas: Yüzey doku düzensizlikleri
• Çürüme ve küf: Renk değişimleri ve misel büyümesi
• Şekil kusurları: Biçimsiz ürünler, büyüme çatlakları, yarık çekirdekler
• Boyut ve renk derecelendirmesi: Pazar standartları için boyutsal ölçüm ve renk sınıflandırması

CNN mimarileri (ResNet, EfficientNet, özel hafif modeller) kusur türlerini ve şiddetini sınıflandırır. Üretim hattı dağıtımı için çıkarım, şerit başına saniyede 5-30 nesne veriminde nesne başına 50-200 ms içinde gerçekleşmelidir. Model mimarileri genellikle gömülü GPU dağıtımı için budanır ve nicelenir.

Tipik ikili kusur tespiti doğruluğu: %92-98. Çoklu sınıf kusur sınıflandırması: %85-95; karışıklık görsel olarak benzer kusur türleri arasında yoğunlaşır.

Tazelik Tahmini

Kalan raf ömrünü tahmin etmek, dinamik fiyatlandırma, tedarik zinciri yönlendirme ve israf azaltımı sağlar:

• Girdi özellikleri: Başlangıç kalite ölçümleri (sertlik, renk, şeker), depolama koşulları (sıcaklık, nem, kontrollü atmosfer bileşimi), geçen süre
• Modeller: Sağkalım analizi, gradyan artırma regresyonu, zaman serisi bozulma modellemesi için LSTM
• Çıktı: Kabul edilebilir kalitede kalan tahmini gün sayısı

Tazelik tahmini, soğuk zincir izleme ile entegre olur: sıcaklık geçmişini takip eden IoT sensörleri, en kötü durum varsayımları yerine gerçek depolama koşullarına dayalı olarak raf ömrü tahminlerini gerçek zamanlı ayarlayan makine öğrenmesi modellerini besler.

Derecelendirme Otomasyonu

Otomatik derecelendirme sistemleri, birden fazla özelliğe dayalı olarak eş zamanlı şekilde ürünleri pazar tanımlı kalite sınıflarına atar:

RGB, NIR, ağırlık ve boyutsal verileri topluluk makine öğrenmesi modelleri aracılığıyla birleştiren çok sensörlü füzyon, eğitimli insan derecelendirici ile %85-95 derecelendirme uyum oranları elde etmektedir.

Tahribatsız Test Yöntemleri

Görüntülemenin ötesinde, birçok tahribatsız teknik makine öğrenmesi modellerini besler:

• NIR spektroskopisi: Kimyasal bileşimin hızlı nokta ölçümü (toprak bilimindeki spektroskopik yöntemler ile bağlantılı)
• Akustik rezonans: Vuruş tonu frekans analizinden meyve sertliği tahmini
• Raman spektroskopisi: Tağşiş tespiti için moleküler parmak izi
• X-ışını görüntüleme: İç boşluk, çekirdek ve yabancı cisim tespiti
• Mikrodalga ve terahertz: Nem dağılımı haritalama
• Elektronik bürün: Olgunluk ve kötü koku tespiti için uçucu profil sınıflandırması

Spektroskopi + Kemometri

Spektroskopik ölçüm ile çok değişkenli istatistiksel yöntemlerin (kemometri) birleşimi derin öğrenmeden öncesine dayanır ve kalite tahmini için temel iş yükü olmaya devam eder:

• Kısmi En Küçük Kareler (PLS): Standart kalibrasyon yöntemi; yorumlanabilir, iyi doğrulanmış
• Destek Vektör Regresyonu (SVR): Çekirdek yöntemleriyle doğrusal olmayanlığı işler
• Evrişimli Sinir Ağları (1D-CNN): Spektral özellikleri doğrudan öğrenir; büyük veri setlerinde PLS'den daha iyi performans gösterir ancak daha fazla kalibrasyon örneği gerektirir
• Cihazlar arası transfer öğrenme: Standardizasyon algoritmaları (parçalı doğrudan standardizasyon, alan uyarlama ağları) bireysel cihazlar arasındaki spektral farklılıklar sorununu giderir

Bağlantılar

Gıda kalitesi derecelendirmesi, bahçeden paketleme evine uzanan boru hattında meyve tespiti ve sınıflandırma ile bağlantılıdır. Spektroskopik yöntemler toprak spektroskopisi ile temel prensipleri paylaşır. Yüzey kusuru tespiti, metodolojik olarak hastalık tespiti ile örtüşür ve kalite verileri çiftlik yönetimi için verim ve kalite tahmin modellerine geri beslenir.

Ingest Edilen Makalelerden Bulgular

[Kamat et al., 2025] — Meyve olgunluk aşaması tespitine dayalı otomatik kalite derecelendirmesi. Çilek ve avokado görüntülerinde dört olgunluk sınıfı (ham, kısmen olgun, olgun, çürük) için nesne tespit modelleri kıyaslanmıştır. YOLOv6 modeli, %99,5 mAP ile en yüksek ortalama doğruluğu ve 85,2 FPS ile güçlü gerçek zamanlı çıkarım hızını elde etmiştir. Geleneksel kalite derecelendirme yöntemleri (penetrometre, refraktometre, titrasyon) tahribatlı ve yoğun el emeği gerektirirken, bu çalışmada önerilen görüntü tabanlı yaklaşım tahribatsız, tutarlı ve gerçek zamanlıdır. Hindistan'da hasat sonrası meyve kayıplarının toplam kayıpların %19'unu oluşturduğu ve yıllık yaklaşık 29.000 crore tutarında ekonomik kayba yol açtığı vurgulanmıştır. Çalışma, YOLO tabanlı nesne tespit modellerinin konveyör bant sınıflandırma hatlarında veya robotik hasat sistemlerinde kalite derecelendirmesine entegre edilebileceğini göstermiştir. Veri seti kamuya açık olarak paylaşılarak tekrarlanabilirlik sağlanmıştır.