Makine öğrenmesi ile alabalık, çipura ve levrek balıklarının kalite seviyelerinin ve türlerinin belirlenmesi

Sağlıklı beslenme kavramının bilimsel araştırmaların sonuçları ile işlenmesine bağlı olarak toplum sağlığı için balık eti tüketiminin önemi her geçen gün artmaktadır. Balık etinde bulunan doymamış yağ asitlerinin insan metabolizmasındaki esansiyel etkileri kendisini diğer gıdalara göre daha fonksiyonel hale getirmektedir. Ancak söz konusu fonksiyonel bileşiklerin kompleks yapısı balık etini hızlı bozulan bir gıdaya dönüştürmektedir. Buna bağlı olarak da balık etinin kalite parametrelerinin çok iyi ve hızlı tespit edilmesi gerekir. Balık kalitesinin belirlenmesinde kullanılan duyusal, kimyasal ve mikrobiyolojik analizler zaman, teçhizat ve yetişmiş personel gerektiren ayrıca sonuçlarının geç elde edildiği spesifik analizlerdir. Makine öğrenimi ise yapılan bilgi girişlerini işleyerek onları kullanıcıya yararlı bilgilere dönüştürebilen ve bunları tahmin yapmada kullanabilen çeşitli algoritmalardan oluşan yapay zekâlardır. Gelişen teknoloji ile makine öğrenimi birçok endüstride anlamlı değişiklikler başlatmış ve gösterdiği yüksek performans ile önemli sorunların ortadan kaldırılmasını sağlamıştır. Makine öğreniminin en büyük avantajı büyük miktarda veriyi hızla işlemek ve zamandan tasarruf sağlayan bir kontrol noktasına sahip olmaktır. Gıda kalitesinin belirlenmesinde ise makine öğrenmesi gıdaya temas etmeden ve onu tahrip etmeden uygulanabilecek önemli bir yöntem olabilir. Bu tez çalışmasında derin öğrenme yöntemi ile farklı türdeki balıkların kalite parametreleri belirlenmek istenmiştir. Bu işlem için farklı türdeki; alabalık, levrek ve çipura balıkları 7 gün boyunca (3±1°C) buz içerisinde depolanmış ve her depolama gününde resimleri kayıt altına alınmıştır. 3 farklı balık türü için depolama süresince toplam 21.386 adet görüntü elde edilmiştir. Elde edilen bu görüntüler makine öğrenimi ile kalite sınıflandırılmasına tabi tutulmuştur. Çalışmada, görüntülerden elde edilen Convolutional neural networks (CNN) özelliklerinin kullanıldığı görüntüleri sınıflandırmak için bir destek vektör makinesi olan ve SVM (support vector machine) olarak bilinen algoritma kullanılmıştır. CNN'nin ilk katmanı, görüntülerin giriş boyutlarını belirtmiştir. Doğru sınıflandırma oranları %90,6 ile %100 arasında değişmiş ve veri artışının artması ile doğruluk oranında beklenen artışın oluştuğu gözlenmiştir. Alabalık, çipura ve levrek için ortalama doğru sınıflandırma oranları %80 üzerinde elde edilmiştir. Çalışma sonuçları makine öğrenmesi ile balığa ait taze-bayat ayrımının yüksek doğruluk oranında belirlenebileceğini ve makine öğrenmesinin hızlı kalite belirleme metodu olarak kullanılabileceğini göstermiştir.