Gıda endüstrisinde görüntü işleme uygulamaları

Gıda endüstrisinde geleneksel kalite kontrol yöntemlerinin çoğunlukla manuel olması; sonuçların değişkenliği, insan hatası ve sınırlı ölçeklenebilirlik gibi önemli zorluklara yol açmaktadır. Endüstri otomasyon ve dijitalleşmeye yöneldikçe, görüntü işleme teknolojilerinin kalite kontrol süreçlerini iyileştirme potansiyeli giderek daha belirgin hale gelmektedir. Bu çalışma, özellikle makine öğrenmesi algoritmaları içermeyen deterministik görüntü işleme tekniklerini uygulayarak gıda üretiminde kalite kontrol denetimlerini sadeleştirmeye odaklanmaktadır. Bu yaklaşımın cazibesi, basitliği, daha az hesaplama gereksinimi ve mevcut üretim sistemlerine kolay entegrasyonunda yatmaktadır. Belirli görevler için tanımlı algoritmalar kullanan deterministik görüntü işleme, öngörülebilir ve tekrarlanabilir sonuçlar sunar. Bu tezde eşikleme (global ve uyarlamalı yöntemler dahil), kenar tespiti (Sobel ve Canny gibi operatörlerle) ve morfolojik işlemler gibi tekniklerle gıda ürünlerinde kusur, yabancı madde ve yapısal tutarsızlıkların tespiti ele alınmıştır. Bu tür yöntemlerin uygulanması, kalite kontrollerinde tutarlılık sağlar ve insan denetçilerine olan bağımlılığı önemli ölçüde azaltarak gözden kaçma riskini ve insan hatasını en aza indirir. Örneğin, eşikleme sayesinde nesneler arka plandan ayrıştırılabilir; bu da yüzeydeki anormalliklerin ve kirlenmelerin tespiti için kritik önemdedir. Kenar tespiti ise ürün şekillerini ve olası düzensizlikleri belirleyerek kalite değerlendirmelerini daha doğru hale getirir. Bu doğrultuda bir algoritma yazılmamıştır. Çekilen resimler üzerinden Azure özel görüntü işleme apisi ile raporlamalar sağlanmıştır. Araştırma yöntemi olarak, gerçek zamanlı görüntü yakalama ve analiz için özel olarak geliştirilmiş bir Unity uygulamasıyla entegre edilmiş Epson BT-350 akıllı gözlükler kullanılmıştır. Operatörler, önceden belirlenmiş yüksek riskli bölgeleri denetlemiş ve bu alanlardan toplanan görüntüler kural tabanlı algoritmalarla işlenmiştir. Bu deterministik yöntemler, işlem hızının ve güvenilirliğin kritik olduğu gerçek zamanlı uygulamalarda etkili olmaları nedeniyle tercih edilmiştir. İlk denemeler, bu sistemin yüzey kusurlarını ve kirlenmeleri manuel denetimlere kıyasla %30'a varan hata oranı düşüşüyle doğru şekilde tespit edebildiğini göstermiştir. Bu iyileşme yalnızca önemli maliyet tasarruflarına işaret etmekle kalmaz, aynı zamanda deterministik görüntü işlemenin operasyonel verimliliği artırma potansiyelini de vurgular. Bu araştırmanın temel bulgularından biri, karmaşık makine öğrenimi modellerine ihtiyaç duyulmadan rutin kalite kontrollerinde deterministik görüntü işleme yöntemlerinin uygulanabilirliğidir. Makine öğrenimi uyarlanabilir ve yüksek doğruluk sağlayan çözümler sunabilse de, genellikle geniş çaplı eğitim verisi, yüksek hesaplama gücü ve uzmanlık gerektirir. Buna karşılık, deterministik yöntemler daha erişilebilir, uygulanması ve sürdürülmesi daha kolaydır; bu da onları orta ve küçük ölçekli gıda üretim tesisleri için uygun hale getirir. Çalışma ayrıca gıda üretim ortamlarında görüntü işlemenin karşılaştığı özel zorluklara dikkat çekmektedir. Aydınlatma değişkenliği, ürün hareketi ve ürün çeşitliliği gibi faktörler otomatik denetimlerin doğruluğunu etkileyebilir. Bu zorluklar, aydınlatma koşullarına uyum sağlayan yerel eşikleme gibi uyarlanabilir tekniklerle ele alınmış; böylece araştırmanın performansı daha dayanıklı hale getirilmiştir ve alandaki karmaşıklıklar kapsamlı şekilde anlaşılmıştır. Sonuç olarak, bu tez, makine öğrenmesi içermeyen görüntü işleme tekniklerinin gıda endüstrisinde kalite kontrol açısından önemli faydalar sağlayabileceğini göstermektedir. Bu faydalar arasında kusur ve kirlenmelerin daha iyi tespiti, insan hatasının azaltılması ve operasyonel verimliliğin artırılması yer alır. Sistemin uyarlanabilirliği ve düşük hesaplama yükü, onu kalite kontrol süreçlerini modernize etmek isteyen üreticiler için pratik ve uygulanabilir bir çözüm haline getirir.