Görüntü işleme ve derin öğrenme kullanarak yumurta tiplerinin ve durumunun tespiti

Yumurtaların izlenmesi ve toplanması için bilgisayarla görme ve otomasyonun kullanılması, işgücü verimliliğinin artırılması için çok önemlidir. Derin öğrenme ve bilgisayarla görme teknikleri, araştırmacılar ve geliştiriciler tarafından çeşitli alanlarda yaygın olarak benimsenmiştir. Bu çalışma, YOLO V8 kullanan verimli ve hafif bir ağ modeli önermektedir. Bu tez, çeşitli yumurta türlerini ve bunların farklı koşullarını dikkate alan geliştirilmiş bir model sunmaktadır. Metodolojimiz üç ana aşamadan oluşmaktadır: ilk aşama görüntü kırpma dahil olmak üzere görüntü ön işleme ve büyütme tekniklerini içerir; ikinci aşama YOLOv8 tespit algoritmalarını kullanır; ve son aşama sınıflandırma doğruluğunu artırmak için derin öğrenme yaklaşımlarını uygular. Bunu, algılama ve sınıflandırmadaki algoritma performansının çeşitli kriterlere göre karşılaştırmalı bir analizi takip etmektedir. Literatürü incelediğimizde, bu alandaki araştırmaların çoğunun belirli bir tür veya sınırlı bir yumurta durumu (örneğin, sağlam veya kırık) üzerinde yoğunlaştığını görülmektedir (örneğin, tavuk veya ördek yumurtalarının sınıflandırılması). Bu çalışmada tavuk yumurtası (hem sağlam hem de kırık), ördek yumurtası(hem sağlam hem de kırık) ve bıldırcın yumurtası(hem sağlam hem de kırık) bir arada kullanılmıştır. Bu çalışma, modelin parametre sayısını ve hesaplama yükünü azaltırken yüksek tespit doğruluğunu korur. Bu yöntem, dağıtım masraflarını azaltır ve robotik platformlar için uygunluğunu artırır. Bu çalışmada, altı yumurta türünü kategorize etmek için bir sınıflandırma modeli belirlenmiştir. Böylece CNN modelinin performansı diğer modeler ile karşılaştırılmıştır. Karşılaştırmada kullanılan modeller "Random Forest", 'K-Nearest Neighbors (KNN)', ve 'ResNet50'tir. Veri kümesi eğitim, doğrulama ve test kümeleri olarak düzenlenmiştir . Deneysel bulguların analizi, Evrişimsel Sinir Ağının (CNN) performans açısından diğer modelleri geride bıraktığını göstermektedir. CNN modeli hafif mimarisi, minimum parametre sayısı ve hızlı performansı ile öne çıkmaktadır. Sistemin yumurta sınıflandırmasını da kapsayan tahmin yetenekleri, işlendikten sonra yumurtaların sınıflandırma tipleri için %99 ve yumurtaların sınıflandırma durumları için %100 başarı elde edilmiştir.