Gıda Güvenliğinin Sağlanmasında Görüntü İşleme Uygulaması

Abstract

Gıda güvenliği yönetiminin etkin bir şekilde sağlanmasının temelinde iyi hijyen uygulamaları bulunmaktadır. Gıda işletmecileri, iyi hijyen uygulamaları için kimyasal, biyolojik ve fiziksel nedenlerden kaynaklı her türlü bozulma ve bulaşmaya sebep olan etkenin farkında olmalı ve tüketicinin sağlığını korumak için gerekli önlemleri alarak gıda hijyenini sağlamalıdır. Gıda hijyeninin sağlanarak gıda kaynaklı sorunların önlenmesinde temizlik ve sterilizasyon, atık yönetimi, ekipman bakımı ve kontrolü, personelin kişisel hijyeni gibi iyi hijyen uygulamaları yer almaktadır. Bu kapsamda personelin kişisel koruyucu ekipman (KKE) kullanımı gıda güvenliğini sağlama hususunda başvurulan temel önleyici tedbirler arasında ele alınmaktadır. Tüm personelin hijyen açısından işe uygunluğunu temin etme yönetimin sorumluluğundadır. Yemek hazırlık ve servis alanlarında önlük, eldiven, şapka ve maske gibi KKE'lerin personel tarafından kullanımı süreklilik esasına dayandırılmalıdır. İnsanların çoğu kontrol edildiğini bildiğinde kurallara uyma konusunda daha fazla özen gösterdiğinden bu konuda personel takibi önem arz etmektedir. Ancak söz konusu takibin sürekliliği zor olup, kimi zaman ekstra iş yükü getirebilmektedir. Yapay zekanın gelişmesiyle birlikte görüntü işleme uygulamaları, otomatik ve süreklilik esasına dayalı kontrolün gerçekleştirilmesinde büyük fayda sağlamaktadır. Tez çalışması kapsamında, restoran mutfaklarında gıdaların hazırlık ve pişirme aşamalarında gıda güvenliği ve hijyenini sağlamak için personel tarafından KKE kullanımı ile ilgili uygunsuzlukların görüntü işleme teknolojisi kullanılarak tespit edilmesi hedeflenmiştir. Bunun sağlanması için gerçek zamanlı, hızlı işlem gücüne ve yüksek doğruluk oranlarına sahip derin öğrenme tabanlı Yolo algoritması tercih edilmiştir. Çalışmada maske, üniforma, eldiven ve şapka gibi gıda sektöründe kullanılan KKE'ler farklı epoch sayılarında Yolov5, Yolov8 ve Yolov9 nesne tespit algoritmaları kullanılarak tespit edilmiştir. En iyi sonuçlar Yolov9 algoritması kullanılarak elde edilmiş olup %88,5 kesinlik, %90,9 duyarlılık, %92,7 mAP değerine ulaşılarak yüksek bir başarı sağlanmıştır.Good hygiene practices are the basis for effective food safety management. For good hygiene practices, food business operators should be aware of all kinds of factors that cause spoilage and contamination due to chemical, biological and physical reasons, and ensure food hygiene by taking the necessary precautions to protect the health of the consumer. Good hygiene practices such as cleaning, sterilization, waste management, equipment maintenance and control, personnel personal hygiene are included in preventing foodborne problems by ensuring food hygiene. In this context, the use of personal protective equipment (PPE) by personnel is considered among the basic preventive measures used to ensure food safety. The use of PPE such as aprons, gloves, hats and masks by personnel in food preparation and service areas should be based on continuity. Personnel monitoring is important in this regard, as most people pay more attention to complying with the rules when they know they are being controlled. However, continuity of such follow-up is difficult and can sometimes bring extra workload. With the development of artificial intelligence, image processing applications provide great benefits in realizing automatic and continuous control. Within the scope of the thesis study, it is aimed to detect non-conformities regarding the use of PPE by using image processing technology in order to ensure food safety and hygiene during the preparation and cooking stages of food in restaurant kitchens. To achieve this, the deep learning-based Yolo algorithm, which has real-time, fast processing power and high accuracy rates, was preferred. In the study, PPE used in the food industry such as masks, uniforms, gloves and hats were detected using Yolov5, Yolov8 and Yolov9 object detection algorithms at different epoch numbers. The best results were obtained using the Yolov9 algorithm, and a high success rate was achieved by reaching 88.5% precision, 90.9% recall and 92.7% mAP value.