Gelişen teknoloji ve artan talep nedeniyle yumurta üretim tesisleri büyümüş ve üretim miktarları artmış ve yumurta kalitesi ön plana çıkmıştır. Kusurlu (kirli-kırık) yumurtaların belirlenip ayrılması ve kalan yumurtaların belirli standartlarda sınıflandırılıp paketlenmesi işlemine yumurta tasnif işlemi denilmektedir. Görüntü işleme, son zamanlarda birçok alanda kullanımı hızla artan bir teknolojidir. Giderek yaygınlaşan bu teknoloji endüstriyel uygulamalarda kullanılarak üretim güvenilirliğini ve verimi artırılabilmektedir. Yumurta tasnif işleminde görüntü işleme tekniği kullanılarak, insan gücü ile yapılan sınıflandırma işlemlerinde yapılan hataları minimize etmek, işçi maliyetlerini ve insan gücüne olan bağlılığı azaltmak hedeflenmektedir. Bu çalışmada yumurtaların hem kusur tespiti hem de hacimsel olarak sınıflandırılması görüntü işleme yöntemleriyle yapılmıştır. Bu yöntemlerden bazıları, kameradan alınan görüntünün kırpılması, arka plan bastırma işlemi ve çeşitli filtreler yardımıyla alınan görüntüde ki gürültülerin yok edilmesi şeklindedir. Günümüzde tek kart bilgisayarların (single board computer) yaygınlaşmasıyla görüntü işleme uygulamaları tek kart bilgisayarlar üzerinden gerçekleştirilebilir hale gelmiştir. Gerçekleştirilen bu çalışmada kullanılan sistem, kameradan alınan görüntünün Raspberry Pi kartının üzerinde çalıştırılan görüntü işleme algoritmaları ile yumurta tasnif işleminin tamamlanması şeklindedir. Bu sistem ile bilgisayar tabanlı klasik sistemlere göre maliyeti daha az ve endüstriyel olarak üretim sistemlerine uygulanabilir bir çözüm önerilmiştir. Yapılan çalışmada 100 adet yumurta görüntüsü (otuz adet kirli yumurta ve yetmiş adet temiz yumurta) kullanılmıştır. Söz konusu yumurtaların tamamının doğru bir şekilde kirli ve temiz olarak ayırt edildiği gözlenmiştir. Çalışmanın ikinci aşamasında, 70 adet yumurtanın hacimsel sınıflandırılması yapılmış olup gerçek ağırlık ölçümleriyle karşılaştırıldığında 66 adet yumurtanın büyüklük sınıfına (S, M, L, XL) uygun olarak tasnif edildiği 4 adet yumurtanın hatalı ölçüldüğü tespit edilmiştir. Buna göre % 94,29 başarı elde edilmiştir. Bu çalışma kapalı bir ortamda sabit ışık kaynağı kullanılarak yapılmış olup sistemin başarı oranı ışık kaynağına ve bant hızına bağlı olarak değişmektedir.  

Keywords - görüntü işleme, yumurta tasnifi, sınıflandırma, kusurlu yumurta, raspberry pi

[1] Gıda, Tarım ve Hayvancılık Bakanlığından:TÜRK GIDA KODEKSİ YUMURTA TEBLİĞİ (2014/55)
[2] Elster RT. and Goodrum JW., 1991, Detection of cracks in eggs using machine vision, Transactions of the Asae, 35(4): 307-312p
[3] Elster RT. and Goodrum JW., 1992, Machine vision for crack detection in rotating eggs, Transactions of the Asae, 34(1): 1323-1328p
[4] Han, Y. J. and Y. Feng (1994). Egg shell inspection using global image analysis. American Society ofAgricuLturaL Engineers. 10(1), 109-114.
[5] Garcia-Alegre MC., Ribeiro A., Guinea D. and Cristobal G.., 1996, Eggshell defects detection based on color processing, Instituto de Optice, Spanish Council for Scientific Research, Madrid-Spain
[6] Dehrouyeh MH., Omid M., Ahmadi H., Mohtasebi SS. and Jamzad M., 2010, Grading and quality inspection of defected eggs using machine vision, International Journal of Advance Science and Technology, vol.16
[7] Patel VC., McClendon RW. and Goodrum JW.,1994, Crack detection in eggs using computer vision and neural networks, AI Applications, 8(2):21-31p
[8] Mertens K., De Ketelaere B. and Kamers B., 2005, Dirt detection on Brown eggs by means of color computer vision, Poultry Science, 1653-1659p
[9] (2018) The Raspberry Pi website. [Online]. Available:
https://www.raspberrypi.org/help/what-%20is-a-raspberry-pi/
https://www.raspberrypi.org/products/raspberry-pi-3-model-b-plus/
https://www.raspberrypi.org/products/camera-module-v2/