GIDA ÜRETİM SEKTÖRÜNDE İSTENMEYEN NESNE, CANLI VE DURUMLARIN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TESPİTİ

Abstract

Türkiye'nin nüfus artış hızına bağlı olarak, gıda üretim ve dağıtım sektöründe hızla bir gelişme görülmektedir. Nüfus değişiklikleri, gıda üretimini gerçekleştiren şirketlerin hem sayısını hem de üretim kapasitelerini artırmalarına neden olmuştur. Bu kapasite artışı, daha fazla insanın istihdam edilmesine yol açmıştır. Ancak, gıda üretim alanlarındaki istenmeyen durumların denetimleri bu hızlı büyümeyle başa çıkmakta zorlanmaktadır. Gıda üretim alanlarındaki bu denetimler genellikle manuel olarak gerçekleştirilmekte veya hiç yapılmamaktadır, bu da insan sağlığını tehdit etmektedir. Yapay zekâ tabanlı sistemler, teknolojinin gelişmesiyle birlikte bu sorunu daha etkili bir şekilde çözmeye başlamıştır. Bu tez çalışması ile gıda üretim ve dağıtım sektöründe kullanılmak üzere bir nesne tespit sisteminin geliştirilmesi amaçlanmıştır. Geliştirilen sistem, kamera görüntüleri üzerinden personelin eldiven, maske ve bone ekipmanlarını giyip giymediğini tespit etmektedir. Aynı zamanda, gıda üretim ortamında istenmeyen canlıları algılamak amacıyla farklı model dosyaları kullanılmıştır. Çalışmada kullanılan YOLOv5 algoritması, yüksek doğruluk oranları ve hızlı tespit yeteneği ile ön plana çıkmaktadır. Eldiven-Maske ve Boneli-Bonesiz modelleri, personelin koruyucu donanım ekipmanlarını kullanıp kullanmadığını başarılı bir şekilde belirleyebilmektedir. Ayrıca Kedi-Köpek tespiti yapan model, temizlik açısından potansiyel riskleri minimize etmeye yardımcı olmaktadır. Geliştirilen Python tabanlı arayüz, kullanıcıların sistemi kolayca yönetmelerini sağlamaktadır. Kamera ekleme, canlı görüntü izleme ve anormal durumların tespitini listeleyen bölümler, sistemi kullanıcı dostu bir hale getirmektedir. Elde edilen başarımlar, geliştirilen nesne tespit sistemini endüstriyel uygulamalarda etkili bir çözüm haline getirmektedir.

Depending on the population growth rate of Turkey, there is a rapid development in the food production and distribution sector. Population changes have caused companies that carry out food production to increase both the number and production capacities. This capacity increase has led to the employment of more people. However, inspections of undesirable situations in food production areas are having difficulty coping with this rapid growth. These inspections in food production areas are usually carried out manually or not at all, which threatens human health. Artificial intelligence-based systems have started to solve this problem more effectively with the development of technology. With this thesis, it is aimed to develop an object detection system for use in the food production and distribution sector. The developed system detects whether the personnel are wearing gloves, masks and bonnet equipment through the camera images. At the same time, different model files were used to detect unwanted creatures in the food production environment. The YOLOv5 algorithm used in the study stands out with its high accuracy rates and fast detection ability. Glove-Mask and Bonneted-Boneless models can successfully determine whether the personnel are using hygiene equipment. In addition, the Cat-Dog detection model helps to minimize potential risks in terms of hygiene. The developed Python-based interface allows users to easily manage the system. The sections listing the addition of cameras, live image monitoring and detection of abnormal conditions make the system user-friendly. The achievements obtained make the object detection system developed an effective solution in industrial applications.