Application of quality control in product supply using deep learning and machine learning

Murat Atan; Murat Yazırdağ; Şenol Altan

doi:10.53753/jame.3007

Yazarlar

Murat Atan Hacı Bayram Veli Üniversitesi / Türkiye 0000-0002-2485-9456
Murat Yazırdağ Hacı Bayram Veli Üniversitesi / Türkiye 0000-0003-3488-3115
Şenol Altan Hacı Bayram Veli Üniversitesi / Türkiye 0000-0002-4260-0966

10.53753/jame.3007

Özet

Artificial intelligence is the source technology for the now common in quality control. In this research, two novels deep learning and machine learning-based models have been proposed in order to supply quality control in vegetable and fruit supply. The purpose is to identify tomatoes, apples, oranges, tangerines and potatoes, which are among the most cultivated vegetable, fruit and root vegetable types in Turkey, as fresh or spoiled. The dataset that was used in the study was constructed based on images that were collected online as well as snapped by using a mobile phone, and it was organized to contain both fresh and decayed items. The developed methods are evaluated using accuracy, precision, sensitivity, and F1 score performance criteria. With 97.57% general accuracy, the deep learning model was very effective while the machine learning model obtained an accuracy rate of 90.20%, which is a good substitute method. The deep learning model achieved better performance as it modeled more complex features in the visual data, while the machine learning model was characterized by its rapid processing speed and low hardware requirements. The results suggest that DL techniques achieve better performance in the quality control task, whereas ML-based methods may be also preferred in some specific scenarios. This study addresses fruit and vegetable supply processes, providing quality control and being able to quickly, correctly and economically classify the products, contributing to the artificial intelligence-based quality control automation.

Anahtar Kelimeler:

Deep Learning Machine Learning Quality Control Supply Chain Management

İndirmeler

İndirme verileri henüz mevcut değil.

Referanslar

Ali, M. M., Hashim, N., (2024), Development of Deep Learning Based User-Friendly Interface for Fruit Quality Detection, Journal of Food Engineering, 2024(380), 112-165.

Aslan, M., (2021). Derin Öğrenme ile Şeftali Hastalıklarının Tespiti, Avrupa Bilim ve Teknoloji Dergisi, (23), 540-546.

Azizah, L. M., Umayah, S. F., Riyadi, S., Damarjati, C., Utama, N. A. (2017). Deep Learning İmplementation Using Convolutional Neural Network in Mangosteen Surface Defect Detection. 7th IEEE International Conference on Control System, Computing and Engineering (ICCSCE), 242–246.

Baloch, A.K., (2022), Quality Analysis of Food and Vegetables with Image Processing, Istanbul Aydın Unıversity Institute of Graduate Studies, İstanbul.

Barrett, D. M., Beaulieu, J. C., Shewfelt, R. (2010). Color, Flavor, Texture, and Nutritional Quality of Fresh-Cut Fruits and Vegetables: Desirable Levels, İnstrumental and Sensory Measurement, and the Effects of Processing. Critical Reviews in Food Science and Nutrition, 50(5), 369–389.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Buluş, A. (2022). Derin Öğrenme Yöntemleri ile Meyvelerin Tazelik Durumunun Belirlenmesi, Tekirdağ Namık Kemal Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.

Chakraborty, S., Shamrat, F. M. J. M., Billah, M. M., Jubair, M. A., Alauddin M., Ranjan, R., (2021), Implementation of Deep Learning Methods to Identify Rotten Fruits, 2021 5th International Conference on Trends in Electronics and Informatics (ICOEI), Tirunelveli, India, 1207-1212,

Cömert, O., Hekim, M., Adem, K. (2019). Faster R-CNN Kullanarak Elmalarda Çürük Tespiti. International Journal of Engineering Research and Development, 11(1), 335-341.

Çetinkaya, M. (2024). Bitki Hastalıklarının Tespitinde Geleneksel Makine Öğrenmesi ve Derin Öğrenme Yöntemlerinin Başarım Karşılaştırması, Bilecik Şeyh Edebali Üniversitesi Lisansüstü Eğitim Enstitüsü, Yüksek Lisans Tezi.

Dhiman P., Kukreja V., Manoharan P., Kaur A., Kamruzzaman M.M., Dhaou I.B., Iwendi C., (2022), A Novel Deep Learning Model for Detection of Severity Level of the Disease in Citrus Fruits, Electronics, 11(3), 495.

Dursun, R., (2023), Derin Öğrenme Yaklaşımı ile Sağlam ve Çürük Elmaların Sınıflandırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.

Freund, Y., Schapire R.E., (1995). A Decision-Theoretic Generalization of On-Line Learning and Application to Boosting. In Computational Learning Theory: Eurocolt 95. Springer-Verlag, 23 -37.

Garvin, D. A. (1984). What does "Product Quality" Really Mean? Sloan Management Review, 25(1), 25-43.

Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep learning. MIT Press.

Hoffman, A. (2017). Food safety in the United States: The roles of federal and state governments. American Journal of Public Health, 107(4), 534-536.

Karthikeyan, M., Subashini, T.S., Srinivasan, R., Santhanakrishnan, C., Ahilan, A., (2024) YOLOAPPLE: Augment Yolov3 Deep Learning Algorithm for Apple Fruit Quality Detection. Signal, Image and Video Processing, 2024(18), 119–128

Kayaalp, K., Metlek, S., (2020). Classification of Robust and Rotten Apples by Deep Learning Algorithm, Sakarya University Journal of Computer and Information Sciences, 3(2), 112-120.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.

LeCun, Y., Bengio, Y., Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.

Li, Y., Feng, X., Liu, Y., Han, X., (2021), Apple Quality Identification and Classification by Image Processing Based on Convolutional Neural Networks, Scientific Report 11, 16618 (2021),

Liu, X., Zhang, H., Ye, Z. (2013). Small-Sample Learning in Object Detection Using Cascade Classifiers. Journal of Machine Vision Applications, 24(5), 889-898.

Liu, Z., He, Y., Cen, H., Lu, R. (2018). Deep Feature Representation with Stacked Sparse Auto-Encoder and Convolutional Neural Network for Hyperspectral İmaging-Based Detection of Cucumber Defects. Transactions of the ASABE, 61(2), 425–436.

Mithun, B. S., Shinde, S., Bhavsar, K., Chowdhury, A., Mukhopadhyay, S., Gupta, K., Kimbahune, S. (2018). Non-destructive Method to Detect Artificially Ripened Banana Using Hyperspectral Sensing and RGB Imaging. Sensing for Agriculture and Food Quality and Safety X (Vol. 10665).

Montgomery, D. C. (2012). Introduction to Statistical Quality Control. Wiley.

Oakland, J. S. (2014). Total Quality Management and Operational Excellence: Text with Cases. Routledge.

Palakodati, S.S.S., Chirra, V.R., Dasari, Y., Bulla, S. (2020), Fresh and Rotten Fruits Classification Using CNN and Transfer Learning, Revue d'Intelligence Artificielle, 34(5), 617-622.

Rodriguez, F. J., Garcia, A., Pardo, P. J., Chavez, F., Luque - Baena, R. M. (2018). Study and Classification of Plum Varieties Using Image Analysis and Deep Learning Techniques. Progress in Artificial Intelligence, 7(2), 119–127.

Singh, R., Nisha, R., Naik, R., Upender, K., Nickhil, C., Deka, C.S., (2024), Sensor Fusion Techniques in Deep Learning for Multimodal Fruit and Vegetable Quality Assessment: A Comprehensive Review, Food Measure, 2024(18), 8088–8109.

T.C. Tarım ve Orman Bakanlığı, Erişim Tarihi: 20.02.2025, Erişim Linki: https://www.tarimorman.gov. tr

Thilak, K.D., Kavkhartik, T., Kumar, D., Shankar, M., (2023). Multiple Plant Leaf Disease Detection Using Efficient Machine Learning Classification Techniques, 2023 International Conference on Research Methodologies in Knowledge Management, Artificial Intelligence and Telecommunication Engineering (RMKMATE), 1-4,

Ünal, Z., Kızıldeniz, T., Özden, M., Aktaş, H., (2023), Derin öğrenme teknikleri ile elmada (Granny Smith) kusur tespiti, Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(4), 1119-1129.

Ünay, D., (2020), Meyve ve Sebzelerin Otomatik Sınıflandırılması için Farklı Derin Öğrenme Yöntemlerinin Karşılaştırılmalı Analizi, Turkish Studies-Information Technologies f Applied Sciences, 15(4), 533-561.

Viola, P., Jones, M., (2001). Rapid Object Dedection Using a Boosted Cascade of Simple Features. Conference on Computer Vision and Pattern Recognition, 1-9.

Yağız, A. (2023). Kuru Üzüm Kalitesinin Derin Öğrenme Teknikleri ile Gerçek Zamanlı Olarak Tespiti, Isparta Uygulamalı Bilimler Üniversitesi Lisansüstü Eğitim Enstitüsü, Yüksek Lisans Tezi.

Yıldırım, A., (2024). İha ile Meyvelerin Olgunlaşmasının Takibi ve Çürük Teşhisi, Siirt Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.

Zeiler, M. D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. In Proceedings of the European conference on computer vision (ECCV), 818-833.

Zhang, W. S., Zhang, Y. J., Zhai, J., Zhao, D. H., Xu, L., Zhou, J. H., Yang, S. (2018). Computers in Industry, 95, 15 21.

Zhang, Y., Wu, L., Huang, G. (2021). Applications of Artificial Intelligence in Food Quality Control: A review. Food Control, 123, 107734.

Yazar Biyografisi

Murat Atan, Hacı Bayram Veli Üniversitesi / Türkiye

04.08.1970 tarihinde Ankara’da doğdu. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Ekonometri Bölümünden 1993 yılında bölüm birincisi olarak mezun oldu. 1998 yılında Gazi Üniversitesi Sosyal Bilimler Enstitüsü Ekonometri Anabilim Dalında Yüksek Lisans, 2002 yılında Doktora eğitimini tamamladı. 1994 yılında Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Ekonometri Bölümü Yöneylem Araştırması Anabilim Dalında Araştırma Görevlisi olarak göreve başladı. 2002 yılında aynı bölümde Öğretim Görevlisi Dr. 2004 yılında ise Yardımcı Doçent Dr. ve 2011 yılında Doç. Dr. ve 2017 yılında Profesör oldu. Halen yurt içinde çeşitli uluslararası ve ulusal dergilerde yayınlamış olan 72 makalesi, çeşitli ulusal ve uluslararası kongre ve seminerlerde sunulmuş olan 109 tane bildirisi, 28 kitabın bazı bölümlerde katkısı, 4 tane Gazi Üniversitesi Araştırma Fonu projesi, 8 tane AB tarafından fonlanan projesi, 28 adet farklı kuruluşlara hazırlanan projesi vardır. Yöneylem Araştırması, Etkinlik ve Verimlilik Analizleri, İstatistiksel Analizler, Ekonometri, Stratejik Planlama, Bilimsel Araştırma Yöntemleri, Çalışan ve Müşteri Memnuniyeti Değerlendirmesi, Proje Değerlendirme, Anket Analizi, Etki Analizi vb. alanlarda çalışmalar yapmaktadır.

Application of quality control in product supply using deep learning and machine learning

Yazarlar

Özet

Anahtar Kelimeler:

İndirmeler

Referanslar

Yazar Biyografisi

Murat Atan, Hacı Bayram Veli Üniversitesi / Türkiye

İndir

Yayınlanmış

Sayı

Bölüm

Nasıl Atıf Yapılır

Lisans

Giriş

Makale Gönder

Dil

ascı

repec

jgate

Bilgi

Anahtar Kelimeler