Yan yana duran yiyecekleri önce ayırmak gerekiyor
Hazır yemek kontrolünde kamera, eksik bir bileşene karar vermeden önce komşu yiyecekleri ayırt etmek zorunda. Eylülde yayımlanan bir araştırma, Çin usulü yemek kutuları için görece hafif bir görüntü işleme sistemiyle bu sorunu ele alıyor. Renk özellikleri, sinir ağı sınıflandırıcısı ve menüye özgü eşikler birleştirilerek eksik yiyecek, yetersiz porsiyon ve benzetimle eklenen yabancı madde aranıyor.
Deney koşullarında genel görüntü sınıflandırma oranı %96,45, kusurlu görüntüyü saptama oranı %97,76, normal görüntüde yanlış alarm oranı %5,34 olarak bildirildi. Bu ölçütler birbirinden farklı: anormal bir öğünü fark etmek, bütün bileşenleri veya her kusur türünü doğru tanımakla aynı şey değil. Sonuçlar incelenen veri kümesini tanımlıyor; üretim hattı için garanti edilen performans düzeyi oluşturmuyor.
Renk bölgelerinden yiyecek kimliğine
Sistem önce yemek kabını buluyor ve yağlı yüzeylerin parlak yansımalarını azaltmak için görüntüyü filtreliyor. Ardından sabit 6 × 6 bölgeler üzerinden RGB, HSV ve CIE Lab renk uzaylarında istatistiksel özellikler çıkarıyor. Derin sinir ağı bölgeleri sınıflandırıyor; doldurma adımı bileşen alanlarını düzenliyor.
Bu alanlar beklenen menüye göre belirlenen deneysel eşiklerle karşılaştırılıyor. Yiyecek sınıfları pirinç, et, sebze, yumurta ve turşulu garnitürden oluşuyor. Yöntem görünür miktarın yeterliliğini tahmin ediyor; öğünü doğrudan tartmıyor veya besin içeriğini ölçmüyor. Menü ya da hedef porsiyon değiştiğinde aynı eşikleri kullanmaya devam etmek yerine yeni veri ve yeniden kalibrasyon gerekiyor.
Yabancı madde deneyi dar kapsamlıydı
Bulaşma benzetiminde plastik hamam böceği modeli kullanıldı ve parçaları farklı konumlara yerleştirildi. Elle işaretlenmiş alanın yarısından fazlası tanındığında nesne saptanmış kabul edildi. Makale bu kuralı, yasal veya evrensel gıda güvenliği sınırı olarak değil, mühendislik tercihi olarak tanımlıyor.
Beş doğrulama bölümünde yabancı madde bölgelerinin ortalama sınıflandırma oranı %82,12 oldu. Görüntü genelindeki bilgiler birleştirildiğinde öğün düzeyindeki kararlar daha iyi sonuç verebildi. Şeffaf plastik, saç, yansıtıcı metal, kemik parçaları ve yiyeceğe benzeyen nesneler kapsamlı biçimde doğrulanmadı. Bu nedenle genel yemek sınıflandırma yüzdesini bütün yabancı maddeler için tespit oranı olarak sunmak doğru olmaz.
Üretim hattında sınanması gereken prototip
Deneylerde aydınlatma, kap düzeni ve konveyör hızı değiştirildi. Güçlü ışık değişimleri ve hareket bulanıklığı, özellikle küçük veya kısmen örtülmüş bileşenlerde performansı düşürdü. Yumurta ve turşulu garnitür bölgeleri, büyük ve görsel olarak daha belirgin alanlardan zor sınıflandırıldı. Kusur türleri de ayrı ayrı incelendi; aynı öğünde birden fazla eşzamanlı hatanın bulunduğu durumlar doğrulanmadı.
Yazarlar daha büyük bağımsız veri kümeleri, tekrarlanan görüntü toplama oturumları ve gerçek üretim hattı denemeleri istiyor. Modern bölütleme sistemleriyle kontrollü karşılaştırma da eksik. Yemek üreticileri açısından çalışma olası bir kontrol mimarisi sunarken bakım ihtiyaçlarını görünür kılıyor: menüye uyarlama, eşik kalibrasyonu ve gerçekçi yabancı madde deneyleri uygulamanın parçası. Yüksek laboratuvar doğruluğu bu işleri kendiliğinden çözmüyor.
- Vision-Based Automated Inspection of Box Meals for Food Portion Defects and Foreign Object Detection. ↗
Multidisciplinary Digital Publishing Institute (MDPI) · CC-BY-4.0 ↗. Lin HD, Chen GM, Lin CH. Vision-Based Automated Inspection of Box Meals for Food Portion Defects and Foreign Object Detection. Sensors (Basel, Switzerland). 2026. DOI: 10.3390/s26175636. © 2026 by the authors. FoodRadar tarafından uyarlanmış ve çevrilmiştir.