Pirinç çeltiğinin çekilmesi sonucu elde edilen pirinç tanelerinin sınıflandırılması işleminin makine öğrenmesi ile gerçekleştirilmesi

Abstract

Günümüzde pirinç çeltiğinin çekilmesi sonucu kabuğundan ayrılan pirinç tanelerinin sınıflandırılması el ile yapılmaktadır. Bu yöntem ilgili sektörde zaman kaybı ve iş gücü verimsizliğine neden olarak ekonomik kayıplara yol açmaktadır. Bu soruna çözüm üretmek amacıyla daha önceden çekilmiş pirinç tanelerin makine öğrenmesi yöntemiyle sınıflandırılması bu tez sonucunda amaçlanmaktadır. Söz konusu sınıflandırılma işlemi için makine öğrenmesi yöntemlerinden faydalanılmıştır. Makine öğrenmesi yöntemleriyle ile makineler ses, görüntü, sinyal, metin gibi verileri kullanarak sınıflandırma, nesne tanıma, ses tanıma ya da dil çevirileri gibi özelleşmiş görevleri en az hatayla yerine getirir duruma gelmişlerdir. Son yıllarda makine öğrenme yöntemlerinin sürekli geliştirilmesiyle görüntü işleme, ses işleme ve robotik gibi alanlara bu yöntemler önemli bir yer bulmuştur. Bu tezde kullanılan makine öğrenmesi yöntemleri ile ilgili sektörde zaman kaybı ve iş gücü verimsizliğinin giderilmesi hedeflenmekte, ilerleyen süreçlerde sınıflandırılmaya ihtiyaç duyulan diğer sektörlerde de mevcut sorunların giderilmesine katkıda bulunulacak çalışmalara temel oluşturması amaçlanmaktadır.Tezde pirinçlerin fotoğraflanması ve parçalanması süreci ayrıntılı biçimde anlatılmıştır. Parçalanma sürecinde Sobel Kenar Bulma Algoritması'ndan faydalanılmıştır. Pirinçlere ait görüntülerin özelliklerinin çıkarılmasında, boyut kestirimi, RGB, HSL, HSV, CIEXYZ, CIELAB renk uzayları ve değerlerinin tespiti ve GLCM özellik vektörü ile ilgili ayrıntılı bilgilere yer verilmiştir.Teze ismini veren makine öğrenmesi bahsinde kullanılan yöntemler Karar Ağaçları (Decision Tree), Destek Vektör Makineleri (Support Vector Machine), Naive Bayes, K En Yakın Komşu Algoritması (K-Nearest Neighborhood Algorithm) ve Derin Öğrenme Yöntemi (Deep Learning) olmuştur. Bu modellere ait bilgiler ile uygulamada nasıl kullanıldıkları ve uygulamaya ilişkin sonuçlar son bölümde paylaşılmıştır. Tez sonucunda uygulanan makine öğrenmesi yöntemlerine ait sonuçlar karşılaştırmalı olarak gösterilmiş ve en başarılı makine öğrenmesi yöntemi İkinci Dereceden Destek Vektör Makineleri olmuştur.

Nowadays, the classification of the rice grains separated from the husk by pulling the rice paddy is made by hand. This method results in economic loss by causing time loss and labor inefficiencies in the related sector. In order to produce a solution to this problem, in this study, it is aimed to classify previously extracted rice grains by machine learning method. Machine learning method has been used for this classification. With this method, machines are able to perform specialized tasks such as classification, object recognition, voice recognition or language translations with the least error by using data such as voice, image, signal and text. In recent years, with the continuous development of machine learning methods, this method has found an important place in fields such as image processing, sound processing and robotics.With this thesis, it is aimed to eliminate time loss and labor inefficiency in the related sector by using machine learning method and to provide the basis for the studies that will contribute to the elimination of existing problems in other sectors that need to be classified in the following processes. In this thesis, the process of photographing and shredding of rice is explained in detail. Sobel Edge Detection Algorithm was used in the process of fragmentation. In order to obtain the properties of the images of rice, detailed information about size estimation, determination of color spaces and values of RGB, HSL, HSV, CIEXYZ, CIELAB and GLCM feature vector were explained. Machine learning designs, which give its name to this thesis, are Decision Trees, Support Vector Machines, Naive Bayes, K-Nearest Neighborhood Algorithm and Deep Learning Method. The information about these models, how they are used in practice and the results related to the application are shared in the last section.At the end of the thesis, the results of machine learning method are shown comparatively and the most successful network model is Quadratic Support Vector Machines.