Tez No	İndirme	Tez Künye	Durumu
789853		Derin transfer öğrenme yaklaşımları ile aflatoksinli kuru incirlerin tahribatsız gerçek zamanlı tespiti / Non-invasive real-time detection of aflatoxin contaminated dried figs with deep transfer learning approaches Yazar:CİHAN KILIÇ Danışman: DR. ÖĞR. ÜYESİ ALPASLAN BURAK İNNER Yer Bilgisi: Kocaeli Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Aflatoksinler = Aflatoxins ; Derin öğrenme = Deep learning ; Evrişimli sinir ağları = Convolutional neural networks ; Gıda güvenliği = Food safety ; Makine öğrenmesi = Machine learning	Onaylandı Doktora Türkçe 2023 108 s.
Aflatoksinler, Aspergillus mantar türlerinin ürettiği en tehlikeli mikotoksindir ve insanlarda karaciğer kanseri de dahil olmak üzere çeşitli sağlık sorunlarına neden olabilir. İncir ve birçok tarım ürünü aflatoksinlerden etkilenir. Aflatoksini kontamine gıdalardan temizlemek mümkün olmadığından tüketimden önce tespit edilmesi çok önemlidir. Kromatografik yöntemler, aflatoksin tespiti için altın standart olarak kabul edilir, ancak bu yöntemler oldukça pahalı, zaman alıcı ve ürünün parçalanmasını gerektirir. Bu nedenle aflatoksin tespiti için spektroskopik yöntemler kullanılarak oluşturulan bilgisayarlı görü tabanlı sistemlerle yapılmaya başlanmıştır. Tez çalışması iki aşamalı olarak gerçekleştirilmiştir. Birinci aşamada Ege Bölgesi'ndeki incir üretim tesislerinden temin edilen kuru incir numuneleri kullanılarak, farklı dalga boyundaki ışık kaynakları altında elde edilen incir görüntülerinden dengeli ve özgün veri setleri oluşturulmuştur. İkinci aşamada ise, bilgisayarlı görü tabanlı bir sistem oluşturularak hızlı, tahribatsız ve etkili aflatoksin tespit sistemi oluşturma çalışmaları yapılmış ve bu amaçla iki farklı yöntem önerilmiştir. İlk yöntem, incir üretim tesislerinde halihazırda kullanılmakta olan Parlak Yeşilimsi Sarı Floresans (BGYF) kontrolünü otomatik olarak yapabilecek bir sistemin geliştirilmesine yöneliktir. Derin transfer öğrenmede model uyarlama yaklaşımı ile DenseNet169 modeli kullanılarak %97,50 doğruluk elde edilmiştir. Önerilen ikinci yöntemde ise, farklı dalga boylarındaki ışık kaynakları ile çekilmiş incir görüntüleri ile oluşturulan veri setleri üzerinde transfer öğrenme modelleriyle elde edilen öznitelik vektörleri kullanılarak sınıflandırma çalışmaları yapılmaktadır. 365nm ışık kaynağı altında alınan görüntülerde MobileNetV2, ResNet101V2 ve InceptionResNetV2 modelleri kullanılarak çıkarılan öznitelik vektörlerinin SVM ile sınıflandırılması sonucunda kontamine incirler %100, kontamine olmayan incirler ise %92,3 doğrulukla tespit edilmektedir. Yapılan çalışmalar, transfer öğrenme yaklaşımlarının aflatoksinle kontamine olmuş incirleri otomatik, hızlı ve etkili bir şekilde tespit etmek için kullanılabileceğini göstermektedir.
Aflatoxins are the most dangerous mycotoxin produced by Aspergillus fungal species and can cause various health problems, including liver cancer, in humans. Figs and many agricultural products are affected by aflatoxins. It is crucial to detect it before consumption since it is impossible to clean aflatoxin from contaminated foods. Chromatographic methods are considered the gold standard for aflatoxin detection, but these methods are pretty expensive, time-consuming, and destructive. Therefore, aflatoxin detection started with computer vision-based systems created using spectroscopic methods. The thesis study was carried out in two stages. In the first stage, balanced and original data sets were created from the fig images obtained under light sources of different wavelengths by using dried fig samples obtained from the fig production facilities in the Aegean Region. In the second stage, studies were carried out to create a fast, non-invasive and successful aflatoxin detection system with a computer vision-based system, and for this purpose, two different methods have been proposed. The first proposed method is to develop a system that automatically detects the Bright Greenish Yellow Fluorescent (BGYF) control currently used in fig production facilities. With the fine-tuning approach in deep transfer learning, an accuracy of 97.50% is obtained using the DenseNet169 model. In the second proposed method, classification studies are carried out using feature vectors obtained by transfer learning models on the data sets created with fig images taken with light sources of different wavelengths. Contaminated figs are detected with 100% accuracy and uncontaminated figs with 92.3% accuracy due to the classification with SVM of the feature vectors extracted using the MobileNetV2, ResNet101V2, and InceptionResNetV2 models in the images taken under a 365 nm light source. This study shows that transfer learning approaches can automatically, rapidly, and effectively detect aflatoxin-contaminated figs.