Kahve çekirdeklerine ait görüntülerin sınıflandırılması

Kahve ağaçlarından toplanan yeşil kahve çekirdeklerinin farklı türlere sahip olmasından dolayı tatların birbirine karışmaması ve tüketiciye sunulan kahvenin belirli bir standartta olması kahvenin ticareti açısından büyük önem taşımaktadır. Kahvenin ayıklanma ve sınıflandırma süreçleri genellikle insan gözüyle gerçekleştirildiğinden zaman alıcı, maliyetli ve hatalara açık olabilmektedir. Bu nedenle görüntü işleme, makine öğrenmesi ve derin öğrenme yöntemlerinin kullanılması kahve çekirdeklerinin otomatik olarak sınıflandırılmasını sağlayarak süreçleri hızlandırmakta ve doğruluğu artırmaktadır. Makine öğrenmesi teknikleri, kahve çekirdeklerinin boyut, renk, yoğunluk gibi fiziksel özelliklerini analiz ederek kalite kontrol süreçlerini optimize etmeye yardımcı olmaktadır. Bu tez çalışmasında yeşil çekirdeğin dört farklı türüne ait 8000 veriden oluşan USK-Coffee veri seti kullanılmıştır. Veri setine MobileNetV2, ResNet18, VGG16 ve DenseNet201 modelleri özellik çıkarım yöntemi olarak veri setine uygulanarak K-En Yakın Komşu (KNN), Naive Bayes, Karar Ağacı ve Destek Vektör Makinesi (SVM) gibi farklı makine öğrenmesi algoritmaları kullanılarak sınıflandırılmıştır. Sınıflandırma modellerinin performansındaki değişiklikleri incelemek amacıyla, Temel Bileşen Analizi (PCA) ve Yönlendirilmiş Gradyanların Histogramı (HoG) gibi ek özellik çıkarma ve boyut indirgeme yöntemleri de kullanılarak sonuçlar karşılaştırılmıştır. Tüm uygulamalar karşılaştırıldığı zaman %91.99 doğruluk oranı ile DenseNet201 ve PCA ile çıkarılan özelliklere uygulanan SVM algoritmasının en yüksek doğruluk oranına ulaştığı görülmüştür.