Scientific Reports'ta 21 Ağustos 2026'da yayımlanan çalışma, hasat sonrası mango sınıflandırmasında öğrenilmiş ve elle tasarlanmış görüntü özelliklerini birleştiren bir sistem önerdi. Hiyerarşik şekil morfolojisi kullanan evrişimli sinir ağı ile gri seviye eş oluşum matrisi tabanlı destek vektör makinesi, ağırlıklı bir karar katmanında birleştirildi. Dört kalite sınıfındaki 1.800 görüntü üzerinde yüzde 96,8 genel doğruluk, 0,967 makro F1 ve 0,991 ROC eğrisi altı alan bildirildi. Gömülü GPU üzerinde görüntü başına 42 milisaniyelik işlem süresi ölçüldü. Bu değerler araştırmanın veri ve donanım koşullarına aittir; ticari hatta aynı performansı garanti etmez.
Model şekil, doku ve rengi aynı kararda birleştirdi
Manuel kalite kontrolünde yüzey kusuru, olgunluk rengi ve şekil düzeni aynı anda değerlendirilir. Çalışmadaki derin öğrenme bileşeni şekil örüntülerini, GLCM-SVM bileşeni ise yüzey dokusunu temsil eden elle tasarlanmış özellikleri çıkardı. Birden fazla renk uzayından alınan kromatik bilgiler de sınıflandırmaya eklendi.
Bu yaklaşım, tek bir görüntü temsilinin kaçırdığı ayrıntıyı tamamlamayı amaçlıyor. Bunun bedeli daha karmaşık kalibrasyon ve bakım ihtiyacıdır. Kamera açısı, aydınlatma, bant hızı veya meyvenin döndürülme biçimi değiştiğinde iki özellik zinciri de etkilenebilir. Laboratuvar metriğiyle üretim hattı kararlılığı bu nedenle ayrı kabul aşamalarıdır.
Yüzde 96,8 doğruluk dört sınıflı veri setinde ölçüldü
Araştırmacılar dört kalite sınıfındaki 1.800 görüntüyü eğitim ve değerlendirmede kullandı. Makro F1'in 0,967 olması, raporlanan test bölümünde sınıflar arasında dengeli performansa işaret ediyor. ROC-AUC değeri de sınıfların ayrılabilirliğini destekliyor. Yine de aynı bahçe, hasat dönemi veya görüntü kurulumundan gelen örneklerin eğitim ve test kümelerine dağılımı, gerçek dış dünya farkını olduğundan küçük gösterebilir.
Saha kabulünde farklı çeşit, üretim bölgesi, olgunluk aşaması, yüzey nemi ve ambalaj hattından kör veri gerekir. Yalnız genel doğruluk değil birinci sınıf meyveyi düşük sınıfa düşürme ve kusurlu meyveyi yüksek sınıfa çıkarma oranları ayrı raporlanmalıdır. İki hata türünün ekonomik ve itibar maliyeti aynı değildir.
42 milisaniye işlem süresi hat kapasitesinin yalnız bir parçası
Görüntü başına 42 milisaniye yaklaşık gerçek zamanlı işleme uygun bir hız gösteriyor. Ancak endüstriyel kapasite; görüntü alma, meyvenin tekilleştirilmesi, birden fazla yüzün görülmesi, kararın aktüatöre iletilmesi ve fiziksel ayırma süresini de içerir. Kamera önünde üst üste gelen veya dönmeyen meyve, algoritma hızlı olsa bile kör nokta yaratabilir.
Konveyör titreşimi, toz, değişen gün ışığı ve bakım aralığı uzun süreli testte izlenmelidir. Sistem arızasında ürünün güvenli hatta yönlendirilmesi, son geçerli kalibrasyonun görünmesi ve operatörün manuel moda geçebilmesi gerekir. Makine görüşü gıda güvenliği veya resmî kalite denetiminin otomatik ikamesi değildir.
Editoryal değerlendirme: ticari değer hata maliyetiyle ölçülmeli
Çalışmanın güçlü yanı, performans ile gömülü donanım hızını aynı prototipte ele almasıdır. Bununla birlikte dört sınıflı deney sonucu, ürün firelerini veya işçilik maliyetini ne kadar azalttığını doğrudan göstermiyor. Ekonomik doğrulama için sınıf bazlı satış fiyatı, yeniden işleme, yanlış ret, bakım ve duruş maliyeti gerekir.
Türkiye'de mango pazarı sınırlı olsa da yöntem elma, şeftali, narenciye ve domates gibi ürünlerde makine görüşü yatırımlarına ders veriyor. Her ürün için yeni veri, kalite standardı ve mekanik taşıma düzeni gerekir; bir meyvede çalışan model diğerine yalnız yazılım güncellemesiyle taşınamaz.
Neden önemli?
Hasat sonrası kalite sınıflandırması, ürün standardizasyonu ve işçilik planında doğrudan değer yaratabilir. Çalışma hız ve doğruluğu birlikte raporlarken gerçek hat kabulünün veri çeşitliliğine bağlı olduğunu gösteriyor.
Türkiye için ne ifade ediyor?
Türkiye'deki meyve-sebze paketleme tesisleri için yöntemsel bir örnektir. Yerel çeşit, sezon ve ticari kalite sınıflarıyla kör test yapılmadan yatırım getirisi veya hat performansı sonucu çıkarılamaz.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
