Tarımda Partikül Madde Maruziyetinin Sağlık Etkileri, Araştırma Konuları ve Politikalar

Transkript

1 Tarımda Partikül Madde Maruziyetinin Sağlık Etkileri, Araştırma Konuları ve Politikalar Selçuk ARSLAN, Ali AYBEK Kahramanmaraş Sütçü İmam Üniversitesi, Ziraat Fakültesi, Biyosistem Mühendisliği Bölümü, Kahramanmaraş Özet: Tarımda çalışanlar yapılan işten kaynaklanan çeşitli toz ve gazlara maruz kalmaktadır. Maruz kalınan katı parçacıklar (partikül madde PM) insanların üst ve alt solunum yollarında etkili olmakta, çeşitli solunum rahatsızlıklarına ve hastalıklarına neden olmaktadır. Dünyada insan sağlığını ve refahını korumak için hükümetler ve sağlık kuruluşları solunan PM konsantrasyonları ile ilgili izin verilebilir sınır değer, eşik sınır değer vb sınırlar belirlenmiştir. Bu değerler, sınırı belirleyen kuruluşa bağlı olarak farklılık göstermektedir. Bu çalışmada, tarım ve tarımsal sanayide farklı boyut fraksiyonlarındaki PM konsantrasyonlarına maruz kalanların karşılaştıkları mesleki solunum rahatsızlıkları ve hastalıkları, farklı ülkelerde önerilen sınır değerler, uygulanan politikalar ve önlemler ve araştırma konuları incelenmiş ve tartışılmıştır. Anahtar kelimeler: Tarım, partikül madde, maruziyet, politikalar Health Effects of Particulate Matter Exposure in Agriculture, Research and Policies Abstract: Agricultural workers are exposed to various occupational dusts and gases. The exposed particulates (particulate matter PM) have upper and lower respiratory effects and cause numerous respiratory disturbances and diseases. Governments and health institutions in different countries have determined permissible limit values, threshold limit values, etc. for PM concentrations to improve public health and welfare. The limit values may vary depending on the institution that sets the limits. In this paper, occupational respiratory disturbances and diseases resulting from exposure to different size fractionated PM concentrations in agriculture and agri-based industry, recommended limit values in different countries, policies and prevention, and research topics were reviewed and discussed. Key words: Agriculture, particulate matter, exposure, policies 518

2 Yulaf Çeşitlerinin Yapay Sinir Ağları Kullanılarak Sınıflandırılması Alper TANER, Ali TEKGÜLER, Hüseyin SAUK, Bahadır DEMİREL Ondokuz Mayıs Üniversitesi, Ziraat Fakültesi, Tarım Makinaları Bölümü, Samsun Özet: Bu çalışmada; Türkiye'de yetiştirilmekte olan altı adet yulaf çeşidinin fiziksel özellikleri belirlenmiştir. Ayrıca Yapay Sinir Ağları ile yulaf çeşitlerinin sınıflandırılabilmesi için model geliştirilmiştir. İncelenen özelliklerin (bin dane ağırlığı, geometrik ortalama çap, küresellik, dane hacmi, yüzey alanı, hacim ağırlığı, özgül ağırlık, porozite ve renk) hepsi istatistiksel olarak (p<0.01) önemli bulunmuştur. Geliştirilen model ile çeşitlerin sınıflandırılması amacıyla yapılan test çalışmasında R 2 değeri ve RMSE değeri de olarak elde edilmiştir. Ortalama hata değeri ise olarak tespit edilmiştir. Anahtar kelimeler: Fiziksel özellikler, yapay sinir ağları, yulaf Classification of Oat Varieties by Using Artificial Neural Networks Abstract: In this study, the physical properties of six different oat varieties grown in Turkey were determined. A model was developed with Artificial Neural Network to classify the varieties of oats. All of the features such as; (thousand kernel weight, geometric mean diameter, sphericity, kernel volume, surface area, bulk density, true density, porosity and color parameters) that analyzed were found to be statistically significant (p<0.01). R 2 and RMSE values were obtained as and , respectively with the developed model in test analyses for classifying the varieties. The average error value was determined as Key words: Physical properties, artificial neural network, oat Giriş Yulaf (Avena Sativa L.), dünyada insan beslenmesinde ve hayvan yemi olarak kullanılan bir tahıl bitkisidir. Çünkü yulaf tanesi iyi bir protein, lif ve mineral kaynağıdır (Peterson ve ark., 2005). Yulaf, otlatma, saman, balyalama ve dane üretimi amacıyla dünyada yaygın olarak kullanılmaktadır. Oldukça geniş toprak ve iklim şartlarında yetiştirilmektedir (Suttie ve Reynolds, 2004). Dünya yulaf üretimi 19.6 milyon ton olup, yulaf ekilen toplam alan 9 milyon hektar ve ortalama yulaf verimi 216 kg/da dır. Türkiye yulaf üretimi ise bin ton olup, yulaf ekilen toplam alan 87.6 bin hektar ve ortalama yulaf verimi 232 kg/da dır (FAO, 2010). Hububat türünün tanımlanması, üretici, işleyici ve tüketici için gerekli bir işlemdir. Üreticiler, ektikleri tohumun çeşidini doğru bir yetiştiricilik yapabilmek amacıyla bilmek ister. Aynı zamanda hedef pazarlar için standart oluşturmak amacıyla pazarlamacılar, sattıkları ürünün çeşidinden emin olmak isterler. Bunun içinde güvenilir metotlara ihtiyaç vardır. Geleneksel sınıflandırma metotlarının kullanımı yavaş ve karmaşıktır. Bu sıkıntıları aşmak için hızlı, güvenilir ve bilgisayar teknolojilerine dayalı metotlar araştırılmaktadır (Chen ve ark., 2010). Özellikle ülkemizde Ticaret Borsalarında ve un fabrikalarında, alım yapılırken hububat ürünleri sınıflandırılarak fiyat belirlenmektedir. Sınıflama sadece fiyat için değil, kalite, pazar gibi pek çok değerlendirme içinde önemlidir. Yulafın fiziksel özelliklerini belirlemek üzere araştırıcılar çalışmalar yapmışlardır. Bu çalışmalarda, daneye ait uzunluk, genişlik ve kalınlık ölçüleri sırasıyla 10.9 mm, 2.8 mm ve 519

3 2.1 mm, bin dane ağırlığı ortalama 35.6 g, dane hacmi, kışlık yulaf için 26.8 mm 3 olarak bulunmuştur. Hacim ağırlığı değerleri, kg/m 3 ve özgül ağırlık değerleri ise kg/m 3 arasında değişmiştir. Yine porozite değerlerini % olarak tespit etmişlerdir (Molenda ve Horabik. 2005; Nelson, 2002; Hoseney ve Faubion. 1992; Mohsenin, 1970). Hububat ürünlerine ait, şekil, boyut, renk ve doku gibi özellikler tek bir matematiksel fonksiyona tabi değildir. Bu ürünlerin doğal değişkenliği nedeniyle tanımlanması ve sınıflandırılması son derece zordur. Bu amaçla, bir çok araştırmacı, farklı tahıl türlerini, çeşitlerini ve hasarlı taneleri sınıflandırmak için ürünün morfolojik özellikleri ile değişik ürün tanıma teknikleri kullanmışlardır (Segerlind ve Weinberg, 1972; Neuman ve ark., 1987; Keefe, 1992; Barker ve ark., 1992; Paliwal ve ark., 1999). Bazı araştırmacılarda sınıflandırma için ürünün renk özeliklerini kullanmışlardır (Neuman ve ark., 1989; Luo ve ark., 1999). Majumdar ve ark. (1999), en iyi sınıflandırma sonuçlarının, morfolojik ve renk özelliklerinin beraber kullanılması ile elde edildiğini belirtmişlerdir. Sınıflandırma doğruluğu seçilen sınıflandırma kriterlerine bağlıdır. Sınıflandırma kriterleri genellikle istatistiksel yöntemler veya sinir ağı yöntemleri kullanılarak geliştirilmiştir (Duda ve Hart, 1973). Yapay Sinir Ağları (YSA), yapay zekâ biliminin altında araştırmacıların çok yoğun ilgi gösterdikleri bir araştırma alanıdır. YSA, insan beyninin işleyişini taklit ederek yeni sistem oluşturulmaya çalışılan yaklaşımlardır. Beynin işleyiş kuralları birçok YSA modelinin geliştirilmesinde kullanılmıştır. YSA, bir sisteme ilişkin tek veya çoklu parametrelere bağlı olarak tanımlanan giriş verileri ile sistemin yine tek veya çoklu parametrelere bağlı olarak tanımlanabilen çıkışları arasında ilişki kurabilme yeteneğine sahiptir. Bu ilişkinin doğrusal formda olması zorunlu değildir. YSA, çıkış değerleri bilinmeyen tanımlanmış sistem girişlerine uygun çıkışlarda üretebilirler (Sağıroğlu ve ark., 2003). YSA, olayların örneklerine bakmakta onlardan ilgili olay hakkında genellemeler yapmakta, bilgiler toplamakta ve daha sonra hiç görmediği örnekler ile karşılaşınca öğrendiği bilgileri kullanarak o örnekler hakkında karar verebilmektedir (Öztemel, 2003). Yapay Sinir Ağları, hububatların tanınması ve sınıflandırılmasında yaygın olarak kullanılmaktadır. Visen ve ark. (2002), 5 hububat türünü resim işleme teknikleri ve YSA kullanarak sınıflandırmışlardır. En iyi sınıflandırma başarısını, probabilistik YSA mimarisinde arpa için %98.7, kırmızı yazlık buğdayda %99.3, amber renkli durum buğdayında %96.7, yulafta %98.4 ve çavdar da %96.9 olarak bulmuşlardır. Visen ve ark. (2004), resim işleme teknikleri kullanarak arpa, amber renkli durum buğdayı, kırmızı yazlık buğday, yulaf ve çavdar hububatlarını sınıflandırmışlardır. En iyi sınıflandırma başarısı, arpada %96.4, amber renkli durum buğdayında %90.8, kırmızı yazlık buğdayda %98, yulafta %95.5 ve çavdarda %96.4 olarak tespit etmişlerdir. Majumdar ve Jayas (1999), yaptıkları çalışmalarında 6 hububat türü kullanmışlar ve yapılan sınıflandırma sonucunda %100 başarı elde etmişlerdir. Bir çok araştırıcı, YSA tekniklerini kullanarak farklı tarımsal ürünlerin sınıflandırılması ile ilgili çalışmalar yapmışlardır (Liao ve ark., 1993; Romaniuk ve ark., 1993; Dowell, 1993; Shibata ve ark., 1996; Yun, 2004, Satish ve ark., 2006; Dubey ve ark., 2006; Wang ve ark., 2007; Neethirajan ve ark., 2007). Bu çalışmada; Türkiye'de yetiştirilmekte olan bazı yulaf çeşitlerinin fiziksel özelliklerini incelemek ve YSA ile yulaf çeşitlerinin sınıflandırılabilmesi için model geliştirmek amaçlanmıştır. 520

4 Materyal ve Yöntem Materyal olarak altı yulaf çeşidi (Faikbey, Seydişehir, Checota, Argentina, Y-330, Y-1779) kullanılmıştır. Bu çalışmada kullanılan 60 adet veri, Bahri Dağdaş Uluslararası Tarımsal Araştırma Enstitüsünden temin edilmiştir. Çalışmada dokuz fiziksel özellik belirlenmiştir. Bunlar bin dane ağırlığı, geometrik ortalama çap, küresellik, dane hacmi, yüzey alanı, hacim ağırlığı, özgül ağırlık, porozite ve renk (L a b) parametreleridir. Taneler her türlü yabancı maddeden temizlenmiştir. %8.9 nem değerinde ölçümler yapılmıştır. Fiziksel Özellikler Tanelerin ölçülerini belirlemek için, her 100 tohum tesadüfi olarak 10 arlı gruplara ayrılmıştır. Belirlenen her grup içindeki 10 tohumdan uzunluk (L), genişlik (W) ve kalınlık (T) ölçülmüştür. Ölçümlerde 0.1 mm hassasiyetli dijital kumpas kullanılmıştır (Jain ve Bal, 1997; Hacıseferoğulları ve ark., 2005). Geometrik ortalama çap, küresellik, dane hacmi ve yüzey alanı aşağıdaki formüllerden hesaplanmıştır (Jain ve Bal, 1997; Sitkei, 1986; Mohsenin, 1970). 1/3 D g (LWT ) ( LWT ) 1/ 3 L 2 2 B L V 6(2L B) (2) 2 BL S 2L B (4) 1/ 2 B (WT) (5) Bin dane ağırlığı, 400 tanenin ağırlığı tartılarak belirlenmiştir (Bell ve Fischer 1994; Çölkesen ve ark. 1993). Hacim ağırlığını ölçmek için, taneler ilk önce 500 ml lik silindire 15 cm yükseklikten doldurulmuştur. Silindirin yüzeyi taneler sıkıştırılmadan süpürülerek düzleştirilip silindirdeki taneler tartılmıştır. Hacim ağırlığı, tanelerin ağırlığı ve silindir hacminin oranlanması ile hesaplanmıştır (Jain ve Bal, 1997; Aviara et al., 1999; Sacilik et al., 2003). Özgül ağırlık, suyun yer değiştirme metodu kullanılarak ölçülmüştür. Bu metotda, ilk önce 500 ml su, 1000 ml lik ölçülü silindire konmuştur. Daha sonra 30 g tane suya konmuştur. Suyun hareket miktarı hızlı bir şekilde kaydedilmiştir. Özgül ağırlık, tanelerin ağırlığı ile yer değiştiren sıvının hacminin oranlanması ile hesaplanmıştır (Aviara et al., 1999; Ogunjimi et al., 2002). Porozite aşağıdaki eşitlik ile hesaplanmıştır (Mohsenin, 1970). b 1 x100 t (6) (1) (3) 521

5 Renk parametreleri (L, a, b), Hunter Lab Colourimeter (Mini Scan XEplus cihazı) kullanılarak ölçülmüştür. Uluslararası Aydınlatma Komisyonu nun (CIELAB) üç boyutlu renk ölçümünü esas aldığı L, a, b, değerleri tespit edilmiştir. Hunter skalasında, L değeri, 100 iken beyaz, sıfırken siyah, a değeri, pozitifken kırmızılık, negatifken yeşillik, b değeri ise, pozitifken sarılık, negatifken mavilik değerlerini ifade etmektedir (Anonymous, 1996; Connolly ve Fleiss, 1997). Elde edilen fiziksel parametreler ile ilgili veriler, JMP istatistik programında Tesadüf Blokları Deneme Desenine göre varyans analizi ile değerlendirilmiştir (Yurtsever, 1984). YSA modeli Matlab NN Toolbox yazılımı kullanılarak geliştirilmiştir. YSA modeli için toplam 60 adet veri kullanılmıştır. Yapılan istatistiksel analizde önemli bulunan bin dane ağırlığı, geometrik ortalama çap, dane hacmi, hacim ağırlığı ve renk parametreleri (L a b) olmak üzere 7 giriş parametresi ve çeşit olmak üzere 1 çıkış parametresi kullanılmıştır. Çeşitler, 1 den 6 ya kadar numara verilerek Y , Checota-2, Argentina-3, Seydişehir-4, Faikbey-5 ve Y şeklinde kodlanmıştır. YSA modelini oluştururken, bütün veriler 0 ile 1 arasında normalize edilmiştir (Purushothaman ve Srinivasa, 1994). Normalize için y nor y y y y min max min (7) formülü kullanılmıştır. Normalize değerlerden gerçek değerleri elde etmek için, aynı formülden y değeri hesaplanmıştır. YSA modeli için, normalize edilen veriler, eğitim ve test veri seti olmak üzere ikiye bölünmüştür. 48 tanesi eğitim setinde 12 tanesi de test setinde olmak üzere toplam 60 adet veri kullanılmıştır. İlk önce ağ eğitilmiştir. YSA modelinde, İleri Beslemeli (Feed Forward Backpropagation), Çok Katmanlı Perseptron ağ yapısı kullanılmıştır. Back propagation (BP) algoritması, en popüler ve en yaygın kullanılan algoritmadır. BP algoritması, ağın performansını iyileştirmek için ağırlıkları değiştirerek, toplam hatayı minimize eder (Jacobs, 1988; Minai ve Williams, 1990). Ağın eğitimi, test hatası belirlenen tolerans değere ulaşıncaya kadar devam ettirilmiştir. Ağın eğitimi başarıyla bittikten sonra, ağ, test verileri ile test edilmiştir (Kalogirou, 2001). Sonuçların performanslarının belirlenmesi amacıyla, ortalama hata kavramını temel alan ve yaygın şekilde kullanılan başlıca doğruluk ölçüleri arasında yer alan RMSE ve R 2 aşağıdaki formüller ile hesaplanmıştır (Bechtler ve Ark., 2001). RMSE 2 R 1 m 1 ( x x 2 1 ) m m 2 (1/ m). ( x 1 x) 1 m 2 ( x 1) 1 (8) (9) Burada RMSE, standart sapma (Root Mean Square Error), R 2, determinasyon x, tahmin edilen değerdir. katsayısı, m, veri sayısı, x, gerçek değer ve 1 522

6 Gerçek değerler ile tahmin edilen değerler arasındaki hata ( ) aşağıdaki eşitlik yardımıyla hesaplanmıştır (Bağırkan, 1993). m 100 x x x m 1 1 (10) Burada, hata (%), m, veri sayısı, x, gerçek değer ve x 1, tahmin edilen değerdir. Araştırma Bulguları Yulaf çeşitlerine ait bazı fiziksel özelliklerin ortalama ve standart sapma değerleri Çizelge. 1 de verilmiştir. Çizelgelerde verilen fiziksel özelliklerin hepsi istatistiksel olarak önemli (P<0.01) bulunmuştur. Bin Dane Ağırlığı Bin dane ağırlığı değerleri ile g arasında değişmiştir. Faikbey ve Argentina çeşitleri aynı grupta yer almış ve en düşük bin dane ağırlığına sahip olmuşlardır. En yüksek bin dane ağırlığı ise Seydişehir çeşidinden elde edilmiştir. Her çeşidin farklı grupta yer alması sınıflama için bin dane ağırlığının önemli bir parametre olduğunu göstermiştir. Molenda ve Horabik. (2005) yapmış oldukları çalışmalarında, bin dane ağırlığını ortalama 35.6 g, Nelson, (2002) ise 34.8 g bulmuşlardır. Geometrik Ortalama Çap Seydişehir ve Y-1779 çeşitleri ilk grupta yer alırken, Argentina ve Faikbey son grupta yer almıştır. Yulaf çeşitlerine ait, Geometrik Ortalama Çap değerleri 4.07 ile 4.49 mm arasında değişmiştir. AÖF (0.13) değerinin düşük çıkması, çeşitlerin aynı grupta yer almasına sebep olmuştur. Bir başka ifadeyle grup sayısı az olmuştur. Molenda ve Horabik. (2005) ve Mohsenin, (1970) benzer sonuçlar tespit etmişlerdir. Küresellik Yulaf çeşitlerine ait küresellik değerleri ile mm arasında yer almıştır. Y-330 çeşidi en düşük değere sahip olurken Checota çeşidi en yüksek değere sahip olmuştur. Molenda ve Horabik. (2005), Nelson, (2002) ve Mohsenin, (1970) benzer sonuçlar elde etmişlerdir. Dane Hacmi Dane hacmi değerleri ile mm 3 arasında değişmiştir. Argentina çeşidi en küçük değeri alırken Seydişehir çeşidi en yüksek değeri almıştır. Nelson, (2002) yaptığı çalışmada, yazlık yulaf için ortalama dane hacmini 21.4 mm3, kışlık yulaf için ise 26.8 mm3 olarak bulmuştur. Yüzey Alanı Seydişehir, Y-1779 ve Y-330 çeşitleri ilk grupta yer alırken, Argentina ve Faikbey son grupta yer almıştır. Yulaf çeşitlerine ait, yüzey alanı değerleri ile mm 2 arasında değişmiştir. 523

7 Çizelge.1. Yulaf çeşitlerine ait fiziksel özelliklerin ortalama ve standart sapma değerleri Fiziksel Özellikler Bin Dane Geometrik Çeşitler Küresellik Dane Hacmi Ağırlığı Ortalama Çap (%) (mm 3 ) (g) (mm) Yüzey Alanı (mm 2 ) Argentina ± 0.65 e 4.12 ± 0.12 c ± 1.02 b ± 1.83 c ± 3.12 c Checota ± 0.51 d 4.35 ± b ± 0.93 a ± 2.61 ab ± 3.86 b Faikbey ± 0.92 e 4.07 ± 0.12 c ± 1.08 d ± 1.81 c ± 3.43 c Seydişehir ± 1.26 a 4.49 ± 0.12 a ± 0.57 c ± 2.24 a ± 3.52 a Y ± 1.01 c 4.43 ± 0.09 ab ± 1.08 bc ± 1.62 ab ± 2.83 a Y ± 0.75 b 4.34 ± 0.24 b ± 0.92 d ± 3.68 b ± 6.39 ab Ortalama DK (%) AÖF (DK:Değişim Katsayısı, AÖF:Asgari Önemli Fark) Çizelge.1 in devamı. Fiziksel Özellikler Çeşitler Hacim Ağırlığı (kg/m 3 ) Özgül Ağırlık (kg/m 3 ) Porozite (%) Argentina ± d ± d ± 1.88 a Checota ± 9.03 a ± ab ± 2.69 bc Faikbey ± a ± bc ± 1.74 c Seydişehir ± 9.64 a ± bc ± 0.90 c Y ± b ± a ± 2.10 a Y ± 7.57 c ± cd ± 1.18 ab Ortalama DK (%) AÖF (DK:Değişim Katsayısı, AÖF:Asgari Önemli Fark) Çizelge.1 in devamı. Fiziksel Özellikler Çeşitler L a b Argentina ± 0.36 d 5.71 ± 0.33 d ± 0.33 d Checota ± 0.54 b 5.69 ± 0.21 d ± 0.13 d Faikbey ± 0.28 c 7.33 ± 0.14 b ± 0.19 b Seydişehir ± 0.42 e 7.96 ± 0.16 a ± 0.14 a Y ±0.40 a 7.50 ± 0.16 c ± 0.15 c Y ± 0.82 d 6.77 ± 0.21 b ± 0.25 a Ortalama DK (%) AÖF (DK:Değişim Katsayısı, AÖF:Asgari Önemli Fark) Hacim Ağırlığı Hacim ağırlığı değerleri ile kg/m 3 arasında değişmiştir. Checota, Faikbey ve Seydişehir çeşitleri ilk grupta yer alırken Argentina çeşidi son grupta yer almıştır. Farklı araştırmacıların yaptığı çalışmalarda yulaf için hacim ağırlığı değerleri, kg/m 3 arasında değişmiştir (Molenda ve Horabik. 2005; Nelson, 2002; Hoseney ve Faubion. 1992; Mohsenin, 1970). 524

8 Özgül Ağırlık Yulaf çeşitlerine ait özgül ağırlık değerleri ile kg/m 3 arasında yer almıştır. Checota ve Y-1779 çeşitleri ilk grupta yer alırken Argentina ve Y-330 çeşitleri son grupta yer almıştır. Nelson, (2002) yaptığı çalışmada, yazlık yulaf için ortalama özgül ağırlık değerini 1314 kg/m 3, kışlık yulaf için ise 1295 kg/m 3 olarak bulmuştur. Yapılan diğer çalışmalarda özgül ağırlık değerleri kg/m 3 arasında değişmiştir (Molenda ve Horabik. 2005; Mohsenin, 1970). Porozite Argentina, Y-1779 ve Y-330 çeşitleri ilk grupta yer alırken, Checota, Seydişehir ve Faikbey son grupta yer almıştır. Yulaf çeşitlerine ait, porozite değerleri ile arasında değişmiştir. Molenda ve Horabik. (2005) yaptıkları çalışmada yulaf için porozite değerlerini % olarak tespit etmişlerdir. Renk Çeşitlere ait renk parametrelerinin (L a b) değerleri Çizelge 1 de görülmekte olup istatistiksel olarak çeşitler arasında önemli (P<0.01) olduğu tespit edilmiştir. Bu durum, renk faktörünün çeşitlerin tanımlanmasında oldukça önemli olduğunu göstermektedir. Yapay Sinir Ağları YSA modelinde ağın yapısı 7-(5-4)-1 şeklinde olup, 7 giriş, 2 ara ve 1 çıkış katmanı olarak dizayn edilmiş ve ara katmanların neron sayısı 5-4 olarak elde edilmiştir (Şekil 1). Eğitim algoritması olarak, Levenberg-Marquart algoritması kullanılmıştır (Levenberg, 1944; Marquart, 1963). Transfer fonksiyonu olarak ara katmanlarda, purelin ve logsig, çıkış katmanında ise logsig fonksiyonları seçilmiştir. Ağ için 500 epok sayısında en düşük eğitim hatası değeri elde edilmiştir. Şekil 1. YSA modelinin ağ yapısı 525

9 Şekil 2. YSA modelinde elde edilen test verileri Eğitim için R 2 değeri 1 ve RMSE değeri olarak bulunmuştur. Test için ise R 2 değeri ve RMSE değeri de olarak bulunmuştur. Çeşitlerin sınıflandırılmasına ait gerçek veriler ile tahmin edilen test verilerine ait sonuçların grafiği, Şekil 2 de verilmiştir. YSA modeli ile elde edilen tahmin verilerinin gerçek veriler ile son derece paralel olduğu görülmektedir. Gerçek veriler ile YSA modelinden elde edilen veriler ve hata değerleri Çizelge 2 de verilmiştir. Gerçek değerlere yaklaşımda ortalama hata, YSA modeli için % olarak bulunmuştur. Çizelge 2. YSA modelinden elde edilen veriler ile gerçek verilerin kıyaslanması ve hata değerleri Çeşit YSA Modeli Çeşit Hata(%) Y Y Checota Checota Argentina Argentina Seydişehir Seydişehir Faikbey Faikbey Y Y Ortalama Hata: Tartışma ve Sonuç Türkiye'de yetiştirilmekte olan bazı yulaf çeşitlerinin (Faikbey, Seydişehir, Checota, Argentina, Y-330, Y-1779) fiziksel özellikleri (bin dane ağırlığı, geometrik ortalama çap, küresellik, dane hacmi, yüzey alanı, hacim ağırlığı, özgül ağırlık, porozite ve renk (L, a, b)) belirlenmiş ve bu özelliklerin çeşitlere göre istatistiksel olarak farklı olduğu tespit edilmiştir. 526

10 Belirlenen bu parametreler, ürünlerin sınıflandırılmasında, temizlenmesinde, iletiminde tasarım parametresi olarak kullanılabilir. Aynı zamanda ekim makinelerinin ekici düzenlerinin de tasarlanmasında yararlı olabilir. Çünkü mevcut ekici düzenlerde yulaf ekimlerinde tıkanmalar meydana gelmektedir. YSA ile yulaf çeşitlerinin sınıflandırılabilmesi için bir model geliştirilmiştir. Geliştirilen model ile çeşitlerin sınıflandırılması amacıyla yapılan test çalışmasında R 2 değeri ve RMSE değeri de olarak bulunmuştur. Ortalama hata değeri ise olarak tespit edilmiştir. Geliştirilen model ile Ticaret Borsaları ve un fabrikalarında kullanılmak üzere, alım yapılırken hububat ürünlerini sınıflandırmak, ürünleri temizlemek amacıyla robotlar, otomasyon sistemleri üretilebilir. Daha sonraki yapılacak çalışmalarda çeşit sayısı artırılabilir. Ayrıca aynı çeşitlere ait farklı yılların değerleri de değerlendirilebilir. Notasyon B danenin küresel kısmının çapı (mm) Dg geometrik ortalama çap (mm) L uzunluk (mm) S yüzey alanı (mm 2 ) T kalınlık (mm) V dane hacmi (mm 3 ) W kalınlık (mm) küresellik (%) porosite (%) b hacim ağırlığı (kg/m 3 ) t özgül ağırlık (kg/m 3 ) m bin dane ağırlığı (g) Literatür Listesi Anonymous, www. hunterlab.com. CIE L* a* b*color scale. Aviara, N. A., Gwandzang, M. I. and Haque, M. A., Physical properties of guna seeds. Journal of Agricultural Engineering Research, 73(2), Bağırkan, Ş., İstatistiksel Analiz. Bilim Teknik Yayınevi. s İstanbul. Barker, D. A., Vouri, T. A., Hegedus, M.R. and Myers, D. G., The use of ray parameters for the discrimination of Australian wheat varieties. Plant Varieties and Seeds, 5(1), Bechtler, H., Browne, M. W., Bansal, P. K. and Kecman, V., New approach to dynamic modelling of vapour-compression liquid chillers: artificial neural networks. Appl Therm Eng, 21: Bell, M. and Fischer, R.A., Guide to plant and crop sampling: Measurement and observations for agronomic and physiological research in small grain cereals. Wheat Special Report. No. 32, CIMMYT, Mexico D.F. Chen, X., Xun, Y., Li, W. and Zhang, J., Combining discriminant analysis and neural networks for corn variety identification. Computers and Electronics in Agriculture 71S, S48 S53. Connolly, C. and Fleiss, T., A study of efficiency and accuracy in the transformation from RGB to CIELAB colour space. IEEE Transactions on Image Processing, 6(7),

11 Çölkesen, M., Öktem, A., Eren, N. And Akıncı, C., Determination of suitable durum wheat varieties on dry and irrigated conditions in Şanlıurfa. The Symposium of Durum Wheat and Products, p Ankara. Dowell, F. E., Neural network classification of undamaged and damaged peanut kernels using spectral data. ASAE Paper No Dubey, B. P., Bhagwat, S. G., Shouche, S. P. and Sainis, J. K., Potential of artificial neural networks in varietal identification using morphometry of wheat grains. Biosystems Engineering 95 (1), Duda, R. O. and Hart, P. E., Pattern Classification and Scene Analysis. John Wiley and Sons, Inc., New York. FAO, Production, Yield, Harvested Area Values of Oat. Available from FAOSTAT (May, 2012), Hacıseferoğulları, H., Özcan, M., Demir, F. and Çalışır, S., Some nutritional and technological properties of garlic (Allium sativum L.). Journal of Food Engineering, 68, Hoseney, R. C., and J. M. Faubion Chapter 1: Physical properties of cereal grains. In Storage of Cereal Grains and Their Products. 4th ed. D. B. Sauer, ed. St. Paul, Minn.: American Association of Cereal Chemists. Jacobs, R.A., Increased Rate of Convergence Through Learning Rate Adaptation. Neural Networks, Elsevier Science Ltd. Vol.1, Issue 4, s Jain, R. K. and Bal, S., Properties of pearl millet. Journal of Agricultural Engineering Research, 66(2), Kalogirou, S. A., Artificial neural networks in the renewable energy systems applications: A review. Renewable and Sustainable Energy Reviews, 5, Keefe, P. D., Adedicated wheat grain image analyzer. Plant Varieties and Seeds, 5(1), Levenberg, K., A Method For the Solution of Certain Nonlinear Problems in Least Squares. Quart. Appl. Math., 2, s Liao, K., Paulsen, M. R., Reid, J. F., Ni, B. C. and Bonifacio-Maghirang, E. P., Corn kernel breakage classification by machine vision using a neural network classifier. Transactions of the ASAE, 36(6), Luo, X. Y., Jayas, D. S. and Symons, S. J., Identification of damaged kernels in wheat using a colour machine vision system. Journal of Cereal Science, 30(1), Majumdar, S. and Jayas, D. S., Classification of bulk samples of cereal grains using machine vision. J. Agric. Engng. Res., 73: Majumdar, S., Jayas, D. S. and Symons, S. J., Textural features for grain identification. Agricultural Engineering Journal, 8(4), Marquart, D. W., An Algorithm For Least-Squares Estimation Of Nonlinear Parameters. J. Soc. Indust. Appl. Math., 11, s Minai, A. A. and Williams, R. D., Back-Propagation Heuristics: a Study of The Extended Delta-bardelta Algorithm International Joint Conference on Neural Networks, vol.1, , San Diego, CA, USA. Mohsenin, N. N., Physical properties of plant and animal materials. New York: Gordon and Breach Science Publishers Inc.. Molenda, M. and J. Horabik., Part1: Characterization of mechanical properties of particulate solids for storage and handling. In Mechanical Properties of Granular Agro-Materials and Food Powders for Industrial Practice. J. Horabik and J. Laskowski. eds. Lublin, Poland: Institute of Agrophysics Polish Academy of Sciences. Neethirajan, S., Jayas, D. S. and White, D. N. G., Detection of sprouted wheat kernels using soft X-ray image analysis. Journal of Food Engineering 81 (3), Nelson, S. O., Dimensional and density data for seeds of cereal grain and other crops. Trans. ASAE 45(1): Neuman, M., Sapirstein, H. D., Shwedyk, E. and Bushuk, W., Discrimination of wheat class and variety by digital image analysis of whole grain samples. Journal of Cereal Science, 6(2),

12 Neuman, M., Sapirstein, H. D., Shwedyk, E. and Bushuk, W., Wheat grain colour analysis by digital image processing, I: methodology. Journal of Cereal Science, 10(3), Ogunjimi, L. O., Aviara, N. A. and Aregbesola, O. A., Some engineering properties of locust bean seed. Journal of Food Engineering, 55(2), Öztemel, E., Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul. Paliwal, J., Shashidhar, N. S., and Jayas, D. S., Grain kernel identification using kernel signature. Transactions of the ASAE, 42(6), Peterson, D. M., Wesenberg, D. M., Burrup, D. E. and Erickson, C. A., Relationships among Agronomic Traits and Grain Composition in Oat Genotypes Grown in Different Environments. Crop Sci., 45: Purushothaman, S. and Srinivasa, Y.G., A back-propagation algorithm applied to tool wear monitoring. International Journal of Machine Tools and Manufacture, Vol. 34, No:5, pp: Romaniuk, M. D., Sokhansanj, S. and Wood, H. C., Barley seed recognition using a multi-layer neural network. ASAE Paper No Sacilik, K., Oztürk, R. and Keskin, R Some physical properties of hemp seed. Biosystems Engineering 86 (2): Sağıroğlu, Ş., Beşdok, E. and Erler, M., Mühendislikte Yapay Zeka Uygulamaları-1. Yapay Sinir Ağları. Ufuk Kitap Kırtasiye, Kayseri. Satish, B, Tapan, K. B., Maqsood, A. and Pratyush, C. P., The determination of morphological and textural features of rice grains in a sample using digital image processing technology and the classification of the rice grains in the sample. ASABE Paper No ASAE, St. Joseph, MI. Segerlind, L. and Weinberg, B., Grain kernel identification by profile analysis. ASAE Paper No Shibata, T., Iwao, K. and Takano, T., Evaluating tomato ripeness using a neural network. Journal of the Society of High Technology in Agriculture, 8(3), Sitkei, G., Mechanics of agricultural materials. Budapest: Academia Kiado. Suttie, J. M. and Reynolds, S. G., Fodder Oats: A World Overview. FAO, ISBN: Visen, N. S., Paliwal, J., Jayas, D. S. and White, N. D. G., Specialist neural Networks for cereal grain classification. Biosystems Engineering, 82: Visen, N. S., Jayas, D. S., Paliwal, J. and White, N. D. G., Comparison of two neural network architectures for classification of singulated cereal grains. Canadian Biosystems Engineering, 46: Wang, Z., Cong, P., Zhou, J., Zhu, Z., Method for identification of external quality of wheat grain based on image processing and artificial neural network. Transaction of the CSAE 23 (1), (in Chinese). Yun, L., Study on Grain Appearance Quality Inspection using Machine Vision. China Agriculture University, Beijing (in Chinese). Yurtsever, N., Deneysel İstatistik Metotları. T.C.K.B. Köy Hizmetleri Genel Müdürlüğü Yayınları No: 124, Ankara. 529