X-ışını fındık görüntülerinde kusur belirlemeye yönelik derin öğrenme tabanlı bir yaklaşım

Fındık hem Türkiye ekonomisi hem de dünya genelinde tarımsal üretim açısından stratejik öneme sahip bir tarım ürünüdür. Fındığın kalitesi ve randımanı, üretici gelirlerinden ürünün endüstriyel kullanım potansiyeline kadar pek çok parametreyi doğrudan etkilemektedir. Geleneksel kalite ve randıman belirleme yöntemleri, genellikle elle yapılan kontroller, görsel değerlendirmeler ve sınırlı ölçüm cihazlarıyla gerçekleştirilmekte olup, zaman alıcı, yoğun iş gücü gerektiren ve insan faktöründen kaynaklanan hata riskine açık süreçlerdir. Özellikle büyük ölçekli üretim tesislerinde bu yöntemler kalite kontrolünün hızını ve doğruluğunu sınırlamakta, endüstriyel verimliliği düşürmektedir. Bu bağlamda, bu tez çalışması kapsamında fındık üretim süreçlerinde kalite kontrol ve randıman belirleme süreçlerini modern, hızlı, güvenilir ve tekrarlanabilir yöntemlerle iyileştirmek amacıyla tahribatsız X-Işını görüntüleme ve derin öğrenme tabanlı bir fındık kalite belirleme sistemi önerilmiştir. Önerilen sistem, kusurlu, az kusurlu ve kusursuz fındıkları ayrıntılı biçimde tespit ederek, üretim zincirine veri tabanlı karar desteği sağlamış ve kalite kontrol süreçlerinin doğruluğunu önemli ölçüde artırmıştır. Böylece, doğru ve güvenilir fındık randımanı belirleme olanağı sunarak, üreticiden tüketiciye kadar tüm tedarik zincirinde kaliteyi güvence altına almakta ve ekonomik değerlemeyi doğrudan etkilemektedir. Fındık kusur tespitinde kullanılan YOLO (You Only Look Once) v7 derin öğrenme mimarisi, sınırlayıcı kutu regresyonu için geliştirilen DCIoU (Distance Centers Intersection over Union) kayıp fonksiyonu ile entegre edilmiştir. DCIoU, kutu merkezleri arasındaki mesafeyi, genişlik-yükseklik ve en-boy oranlarını eşzamanlı olarak optimize ederek, minimal çakışma alanlarına sahip veya birbirine yakın konumlanmış küçük nesnelerde diğer IoU tabanlı kayıp fonksiyonlarına göre çok daha hızlı ve hassas yakınsama sağlamaktadır. Bu özellik, özellikle fındık çekirdeği üzerindeki küçük veya kısmi kusurların doğru bir şekilde tespit edilmesini mümkün kılmış ve model performansında belirgin iyileşmelere yol açmıştır. DCIoU'nun sağladığı hızlı yakınsama ve düşük regresyon sapması, modelin öğrenme sürecinde stabiliteyi artırmakta ve sınırlayıcı kutu optimizasyonunun erken aşamalarda daha etkili bir biçimde gerçekleşmesini sağlamaktadır. Böylece, küçük boyutlu ve örtüşen kusurların ayrıştırılmasında klasik IoU (Intersection over Union), GIoU (Generalized Intersection over Union), DIoU (Distance Intersection over Union) ve CIoU (Complete Intersection over Union) tabanlı yaklaşımlara kıyasla belirgin avantajlar sağlanmıştır. Sistem ayrıca önerilen Komşuluk İlişkisi Algoritması ile desteklenmiş, model tarafından üretilen sınırlayıcı kutular arasındaki uzamsal süreklilik ve piksel bazlı ilişkileri dikkate alarak segmentasyon çıktıları üretmiştir. Tensör tabanlı bu yapı, her bir pikselin ait olduğu küme ve komşuluk ilişkilerini kapsamlı şekilde temsil ederek manuel etiketleme gereksinimini ortadan kaldırmaktadır. Böylece fındık çekirdekleri üzerindeki kusurların boyut, şekil ve konum bilgileri yüksek doğrulukla elde edilebilmekte ve bu bilgiler randıman hesaplama süreçlerinde doğrudan kullanılabilir hâle gelmektedir. Segmentasyon çıktıları, yalnızca nesne varlığını değil, aynı zamanda her bir kusurun piksel düzeyindeki dağılımını, alanını ve yoğunluğunu belirleyerek fındıkların kusurlu, az kusurlu veya kusursuz olarak sınıflandırılmasını sağlamaktadır. Bu sayede sistem, üretim zincirinde kalite kontrol süreçlerinde daha güvenilir ve tekrarlanabilir sonuçlar üretmektedir. Sistem, X-Işını fındık veri seti ve genel nesne tespiti amacıyla kullanılan COCO-128 veri seti üzerinde test edilmiş, DCIoU ve Komşuluk İlişkisi algoritmaları entegre edilerek eğitilen YOLOv7 modeli, her iki veri setinde de yüksek doğruluk ve kararlı performans sergilemiştir. Kesinlik, duyarlılık, F-1 skoru ve mAP metriklerindeki yüksek değerler, modelin hem fındık kusur tespitinde hem de farklı nesne tespiti senaryolarında güvenilirliğini ortaya koymaktadır. X-Işını veri seti üzerindeki deneylerde, DCIoU tabanlı modelin hem doğruluk hem de hassasiyet açısından önceki IoU tabanlı yaklaşımlara göre üstün performans sağladığı gözlemlenmiştir. Özellikle segmentasyon çıktılarıyla desteklenen yaklaşım, küçük ve örtüşen kusurların ayrıştırılmasında klasik YOLOv7 modeline kıyasla çok daha başarılı sonuçlar üretmiştir. Tez kapsamında yapılan deneysel çalışmalar, DCIoU'nun optimizasyon sürecindeki üstün yakınsama davranışını ve regresyon sapmasını minimize etme kapasitesini doğrulamıştır. Ayrıca Komşuluk İlişkisi algoritması, NMS (Non-Maximum Suppression) süreçlerine alternatif bir yaklaşım kazandırarak sınırlayıcı kutuların seçimini optimize etmiş ve segmentasyon süreçlerinin doğrudan nesne tespiti çıktılarından türetilebileceğini göstermiştir. Bu tez çalışması, X-Işını görüntüleme ve derin öğrenme tabanlı analizleri bütünleştirerek fındık kalite belirleme ve randıman hesaplama süreçlerinde hassas, hızlı ve güvenilir bir sistem geliştirmiştir. Sistem, yalnızca kusur tespitini iyileştirmekle kalmayıp, üretim süreçlerinde otomasyon, veri tabanlı karar mekanizmaları ve kalite kontrol verimliliğini artırmaktadır. Bu özellikler, fındık üretiminde hem akademik hem de endüstriyel açıdan yüksek katma değer sağlayacak bir kalite kontrol ve randıman hesaplama çözümü sunmaktadır.