Bazı Fındık Çeşitlerinin Yapay Sinir Ağları ve Diskriminant Analizi Kullanılarak Sınıflandırılması

Abstract

Bu çalışma, fındık çeşitlerinin fiziksel, mekanik ve optik özellikleri esas alınarak fındık çeşitlerini sınıflandırmak amacıyla yürütülmüştür. Çalışmada 11 adet fındık çeşidi (İncekara, Kalınkara, Kan, Kuş, Okay28, Palaz, Sivri, Tombul, Uzunmusa, Yassı Badem, Yuvarlak Badem) kullanılmıştır. Fındık çeşitlerine ait fiziksel, mekanik ve optik özellikler, üç temel eksen (X, Y, Z) üzerinde belirlenmiştir. Fiziksel özellikler; geometrik ortalama çap, küresellik, tane hacmi, yüzey alanı, kabuk kalınlığı ve tane ağırlığı, mekanik özellikler; kabuk kırılma kuvveti, kabuk kırılma enerjisi ve deformasyon, optik özellikler; renk (L, a, b) ve iz düşüm alanı parametrelerinden oluşmuştur. Çalışmada fiziksel, mekanik ve optik özelliklere ait parametreler, bağımsız değişken (12 adet), fındık çeşitleri, bağımlı değişken (11 adet) olarak yer almıştır. Fındık çeşitlerinin sınıflandırılması için her eksende yapay sinir ağları ve diskriminant analizi modelleri oluşturulmuştur. Yapay Sinir Ağları ve Diskriminat Analizi sınıflandırma başarıları sırasıyla X ekseninde %89.1 ve %92.7, Y ekseninde %92.7 ve %92.7, Z ekseninde %86.8 ve %88.7 elde edilmiştir. Yapay Sinir Ağları ve Diskriminat Analizi ile yapılan sınıflandırma sonuçlarının birbirlerine oldukça yakın olduğu ve her iki modelin de fındık çeşitlerinin sınıflandırılmasında kullanılabileceği belirlenmiştir.

This study was conducted to determine the physical, mechanical and optical properties of hazelnut varieties and to classify hazelnut varieties. 11 hazelnut varieties (İncekara, Kalınkara, Kan, Kuş, Okay28, Palaz, Sivri, Tombul, Uzunmusa, Yassı Badem, Yuvarlak Badem) were used in the study. Physical, mechanical and optical properties of hazelnut varieties were determined on three basic axes (X, Y, Z). Parameters are composed of physical properties; geometric mean diameter, sphericity, grain volume, surface area, shell thickness and grain weight, mechanical properties; crustal force, crustal energy and deformation, optical properties; color (L, a, b) and image processing. In the study, the parameters of physical, mechanical and optical properties were included as independent variable (12 units), hazelnut varieties were included as dependent variable (11 units). Models have been formed on each axis for classification of hazelnut varieties. Artificial Neural Networks and Discriminate Analysis classification successes were 89.1% and 92.7% on X axis, 92.7% and 92.7% on Y axis, 86.8% and 88.7% on Z axis, respectively. It has been determined that the results of the classification with Artificial Neural Networks and Discriminate Analysis are very close to each other and both models can be used in the classification of hazelnut varieties.