Kahve çekirdeklerine ait görüntülerin sınıflandırılması

Abstract

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.The variation in green coffee beans collected from coffee trees significantly impacts coffee trade, as it affects flavor consistency and quality standards. Traditional sorting and classification processes are typically performed manually, making them time-consuming, costly, and prone to errors. Therefore, utilizing image processing, machine learning, and deep learning techniques enables the automatic classification of coffee beans, accelerating processes and enhancing accuracy. Machine learning techniques help optimize quality control by analyzing physical characteristics such as size, color, and density. In this thesis, the USK-Coffee dataset, consisting of 8,000 samples from four different green coffee bean types, was used. Feature extraction was performed using MobileNetV2, ResNet18, VGG16, and DenseNet201 models, followed by classification with machine learning algorithms such as K-Nearest Neighbors (KNN), Naive Bayes, Decision Tree, and Support Vector Machine (SVM). To analyze classification performance variations, additional feature extraction and dimensionality reduction techniques such as Principal Component Analysis (PCA) and Histogram of Oriented Gradients (HoG) were applied, and the results were compared. Among all implementations, the highest accuracy rate of 91.99% was achieved using the DenseNet201 model combined with PCA-extracted features applied to the SVM algorithm.