Buğday, beslenme zincirinde kullanım alanı çeşitliliği ile üretimde ve tüketimde ilk sıralarda yer alan tahıl ürünlerinden birisidir. Özellikle unlu mamullerde kullanımı başta olmak üzere buğday gıda sektöründe önemli bir yere sahiptir. Üretilen buğdayın miktarı ve kalitesi gıda sektörünü etkilemekte ve doğrudan gıda maddelerinin fiyatlarına yansımaktadır. Buğdaylar protein, glüten ve fiziksel özellikleri gibi faktörlere göre farklı çeşitlere ayrılmaktadır. Bu çeşitlerin her biri farklı özelliklere sahip olduğu için gıda sektöründe farklı maddelerin üretiminde kullanılmaktadırlar. Bu nedenle buğdaydan verimli şekilde yararlanmak ve çeşitlerine göre buğdayı doğru alanda kullanmak hem ekonomik hem de verimlilik açısından büyük önem taşımaktadır. Yürütülen tez çalışması kapsamında, Yakın Kızılötesi (Near-Infrared (NIR)) Spektrometre cihazı kullanılarak 24 farklı buğday çeşidinin reflektans değerleri ölçülmüş ve sınıflandırma için makine öğrenmesi ve derin öğrenme yaklaşımlarında girdi parametresi olarak kullanılmıştır. Bu yaklaşımlar birbiriyle karşılaştırılmış ve elde edilen sonuçlar değerlendirilmiştir. Ele alınan yaklaşımlar sonucunda makine öğrenmesi tekniklerinin reflektans değeri ile çeşitleri ayırt etmek için yeterli performansı göstermediği görülmüştür. Derin öğrenme modeli ile sınıflandırma yapıldığında makine öğrenmesi algoritmalarına göre daha yüksek doğruluk değerlerine ulaşılmıştır. Derin öğrenme yaklaşımı hem doğrudan reflektans verileri ile sınıflandırma hem de reflektans verileri üzerinden oluşturulan görüntüler üzerinden sınıflandırma yapmak amacıyla ayrı ayrı ele alınmıştır. Reflektans değerleri kullanılarak oluşturulan buğday çeşitlerine ait görüntüler, derin öğrenme modeline girdi olarak verildiğinde %99 başarı oranına ulaşan sonuçlar alınmıştır. Bu durum buğday sınıflandırmada görüntü tabanlı derin öğrenme mimarilerinin daha iyi sonuçlar verdiğini ortaya koymaktadır
Wheat is one of the grain products that ranks first in production and consumption with its variety of usage areas in the food chain. Wheat has an important place in the food industry, especially in bakery products. The amount and quality of the wheat produced affect the food industry and are directly reflected in the prices of foodstuffs. Wheat is divided into different types according to factors such as protein, gluten, and physical properties. Since each of these species has different properties, they are used to produce different substances in the food industry. For this reason, it is of great importance to use wheat efficiently and to use wheat in the right field according to its species, both in terms of economy and productivity. Within the scope of the thesis study, the reflectance values of 24 different wheat species were measured using the Near-Infrared (NIR) Spectrometer device and used as input parameters in machine learning and deep learning approaches to classify wheat species. These approaches were compared with each other, and the results were evaluated. As a result of the approaches discussed, it has been seen that machine learning techniques do not show sufficient performance to distinguish between reflectance value and species. When classification is made with the deep learning model, higher accuracy values have been achieved than machine learning algorithms. The deep learning approach has been handled separately to classify with direct reflectance data and classify images created from reflectance data. When the images of wheat species created by using reflection values as input to the deep learning model are given, 99% success rates have been achieved. This situation reveals that image-based deep learning architectures give better results in wheat classification
