Gıda kalitesi kontrolünde bulanık mantık ve makine öğrenmesi yöntemlerinin uygulanması

Bu çalışmada, gıda ürünlerinin kalitesi, daha yüksek doğruluk elde etmek ve kalite kontrol sistemleri için optimum performansı desteklemek amacıyla bulanık tabanlı yöntemler kullanılarak değerlendirilmektedir. Bu çalışma için şarap, zeytinyağı ve ekmek olmak üzere üç ürün seçilmiş ve bulanık tabanlı makine öğrenmesi algoritmaları geliştirilmiştir. Çalışmanın ilk aşaması, ağırlıklı ilgili vektör makinesi (RVM) kullanılarak buğday ekmeğinin kalitesini değerlendirmek için tasarlanmıştır. İkinci aşama, Geliştirilmiş Karga Arama Optimizasyonu kullanılarak Nöro-Geliştirme Topolojileri (NEAT) ve Bulanık optimize edilmiş sinir ağlarının geliştirilmesi yoluyla şarap kalitesini kullanır. Çalışmanın üçüncü aşaması, yapay sinir ağları (ANN), destek vektör makinesi (SVM) ve rastgele ormanlar (RF) kullanarak zeytinyağı kalite değerlendirmesini geliştiriyor. İlk metodolojide, LDA ve FWRVM algoritmalarını kullanarak ekmek kalitesini tahmin etmek için etkili bir çerçeve sunulmaktadır. İkinci metodolojide, bulanık mantık, sinir ağları ve geliştirilmiş bir ICSA algoritmasının bir kombinasyonu olan NEAT algoritması ve ICSA-FNN'nin hibrit sınıflandırıcısını kullanan verimli bir şarap kalitesi tahmin modeli sunulmuştur. Üçüncü metodolojide, özellik azaltma için PCA ve LDA ve tahmin için SVM sınıflandırıcıları, RF ve ANN kullanan verimli bir zeytinyağı kalite tahmin modeli sunuldu. Ekmek, şarap ve zeytinyağı için toplanan veri setleri üzerinde deneyler yapılmış ve sonuçlar önerilen metodolojilerin mevcut geleneksel yöntemlerden daha iyi performans sağladığını göstermiştir.