Görüntü işleme teknolojisi ve yapay sinir ağlarının gıda ürünlerinde bazı kalite özelliklerinin belirlenmesinde kullanılması

Abstract

Bu çalışmada, görüntü işleme teknolojisi ve yapay sinir ağları kullanarak üç farklı gıda maddesinin bazı kalite özellikleri belirlenmeye çalışılmıştır. Çalışmanın ilk bölümünde, 3 faktörlü merkezi kompozit deney tasarımı ile hamburger köftelerinde pişme sonrası yağ, su ve boyut kaybına ürün bileşiminde bulunan yağ (% 15- 30), su (% 10-20) ve tekstüre soya proteini (% 3-9) oranlarının etkisi incelenmiştir. Hamburger köftelerinin boyut küçülmesinin belirlenmesinde görüntü işleme teknolojisi kullanılmıştır. Yağ ve su kaybının azaltılmasında tekstüre soya proteini (TSP) en önemli faktör olarak belirlenmiştir. Yağ ve su oranlarının, boyut küçülmesi ve su kaybı için elde edilen model eşitliklerde doğrusal etkileri önemli (P < 0,05) bulunmuştur. Boyut küçülmesine yağ, su ve TSP oranları da doğrusal olarak etki etmiştir. Yağ kaybı için oluşturulan model doğrusal ve ikinci dereceden olduğu halde, su kaybı için elde edilen model tam ikinci derecedendir. Boyut küçülmesi, yağ kaybı ve su kaybı için elde edilen model eşitliklerin R2 değerleri sırasıyla 0,954, 0,969 ve 0,964 olarak belirlenmiştir. Çalışmanın ikinci bölümünde, domates salçasının rengini CIE L*, a*, b* formatında belirlemek ve üründeki siyah benekleri sayarak boyutlarına göre sınıflandırmak amacıyla görüntü işleme sistemine (GİS) yapay sinir ağları (YSA) entegre edilmiştir. GİS’nin siyah benekleri sayma ve sınıflandırmadaki etkinliği elde edilen sonuçların çıplak gözle kontrolör tarafından yapılan sonuçlarla karşılaştırılmasıyla belirlenmiştir. Renk ölçümünde ise YSA entegre edilmiş GİS sisteminin kolorimetre ile uyum içinde olduğu görülmüş olup, iki analiz arasındaki R değerleri L*, a*, b* ve a*/b* için sırasıyla 0,889, 0,958, 0,907 ve 0,987 olarak belirlenmiştir. Daha sonra tüm sistem grafiksel kullanıcı arayüzüne (GKA) adapte edilerek domates salçası sektöründe çalışmakta olan deneyimsiz kişilerin dahi kullanabileceği bir program haline getirilmiştir. Klasik metotlarla yaklaşık 5 dakika sürmekte olan bir domates salçası numunesinin renk tayini, siyah benek sayımı ve sınıflandırması işlemlerinin GKA kullanıldığında 20-25 saniye içerisinde tamamlandığı belirlenmiştir. Çalışmanın son kısmında 82 adet kuru incir örneğinde aflatoksin B1 ve toplam aflatoksin (B1, B2, G1, G2) analizi HPLC yöntemi ile yapılmıştır. Örneklerin her birinden 365 nm UV ışık altında yüksek çözünürlüklü görüntüler de alınarak görüntü işleme teknolojisi kullanılarak aflatoksin içeren örnekler belirlenmeye çalışılmıştır. Görüntülerin RGB (Red, Green, Blue) histogramları yazılan algoritma ile elde edilerek yeşil (G) ve mavi (B) renk yoğunlukları ile örneğin aflatoksin içermesi arasında bağıntı araştırılmıştır. Oluşturulan yapay sinir ağına RGB değerleri girdi olarak verilmiş ve aflatoksin var/yok (1/0) şeklinde çıktı alınmıştır. Ağın performansı eğitim verileri için R=0,766, validasyon verileri için R=0,962 ve test verileri için R=0,899 olarak belirlenmiştir. Görüntü işleme ve yapay sinir ağlarının kombinasyonundan oluşan yöntem aflatoksin içeren örnekleri belirlemede başarılı bulunmuştur. Çalışma sonuçları görüntü işleme teknolojisi, yapay sinir ağları ve cevap yüzeyi yönteminin gıda mühendisliği uygulamalarında başarı ile kullanılabileceğini göstermiştir.

In this study, it was aimed to use image processing technology and artificial neural networks in determination of some quality properties of three different food products. In the first part of the study, a threefactor central composite design was adopted to determine the interactive effects of fat (15-30%), water (10-20%) and textured soy protein (3-9%) content on the shrinkage, fat loss and moisture loss of hamburger patties after cooking. Image processing was used to estimate the shrinkage of hamburger patties. Textured soy protein (TSP) content was found to be the most important factor for minimizing fat and moisture loss. Both fat and water content were found to be significantly effective (P < 0.05) in the model for shrinkage and moisture loss in linear form. The changes in shrinkage due to fat, water and TSP content were also in linear form. The model for fat loss was in linear and quadratic form, whereas the model for moisture loss was in full quadratic form. The models for shrinkage, fat loss and moisture loss had the R-square values of 0.954, 0.969 and 0.964, respectively. In the second part of the study, an artificial neural network (ANN) integrated computerized inspection system (CIS) was developed to determine tomato paste color in CIE L*, a*, and b* color format and the number and size of dark specks which exist in the product. The usability of CIS in the determination of the number and the size of dark specks in tomato paste were investigated by comparing the results of CIS and human inspector. In the color evaluation of the tomato paste, strong correlations (R) were found between the results estimated from ANN-integrated CIS and those obtained from colorimeter (0.889, 0.958, 0.907 and 0.987 for L*, a*, b* and a*/b*, respectively). Whole system is adapted to a graphical user interface (GUI) for use of non-skilled person working in tomato paste sector. While classical methods need approximately 5 minutes, GUI needs 20-25 seconds to determine, count and classify the dark specks and to measure the product color. In the last part of the study, aflatoxin B1 and total aflatoxin (B1, B2, G1, G2) quantity of 82 fig samples were determined with HPLC method. Also it was aimed to find out the samples including aflatoxin using image processing technology with the images of fig samples that were captured under 365 nm UV light. The relationship between the existance of aflatoxin and the intensity values of red (R), green (G) and blue (B) intensities of image histograms were investigated. An artificial neural network was designed to find the samples that include aflatoxin according to the RGB data used as input of the ANN. The performance (R) of the ANN for training, validation and testing data sets were 0.766, 0.962 and 0.899, respectively. The combined method of image processing and ANN was found appropriate for determination of samples that include aflatoxin. The results of the present work showed that the image processing technology, artificial neural networks and the response surface methodology can be successfully used in food engineering applications.