Patates; cips, un, nişasta ve farklı işlenmiş gıda ürünleri için önemli bir hammaddedir. Bu ürünlerde patatesin kuru madde içeriği, yani içindeki su dışı madde oranı, kaliteyi doğrudan etkiler. Kuru madde oranı; işleme verimi, ürün dokusu, çıtırlık, un geri kazanımı ve ekonomik değer açısından kritik bir göstergedir.

Geleneksel ölçüm yöntemleri genellikle patatesi kesmeyi, kurutmayı ve laboratuvar ortamında tartmayı gerektirir. Bu yöntemler doğru olabilir; ancak yavaştır, ürünü tahrip eder ve gerçek zamanlı tedarik zinciri kontrolü için uygun değildir. Bu preprint çalışma, taşınabilir yakın kızılötesi spektroskopi cihazıyla patatesin kuru madde içeriğini hızlı ve tahribatsız ölçmeyi hedefliyor.

Araştırmacılar yalnızca bir tahmin modeli kurmakla yetinmiyor. Önce ışığın patates dokusuna ne kadar nüfuz edebildiğini ölçüyor, ardından patatesin hangi bölgesinden ölçüm alınmasının tüm yumruyu daha iyi temsil ettiğini inceliyor. Son olarak saha koşullarındaki temas basıncı, yüzey eğriliği ve ışık sızıntısı gibi pratik sorunları taklit eden veri artırma ve model optimizasyonu yapıyor.

Sonuçlar, 835–875 nm dalga boyu aralığının patates dokusunda daha uygun optik nüfuz sağladığını, ekvator bölgesinden çok noktalı ölçümün daha temsil edici olduğunu ve Detrending–UVE–PLS modelinin taşınabilir cihaz performansını daha kararlı hale getirdiğini gösteriyor. Ancak çalışma preprint olduğu için bulgular kesin endüstriyel standart gibi değil, daha fazla doğrulamaya ihtiyaç duyan güçlü bir yöntem önerisi olarak okunmalıdır.

Problem Ne?

Patatesin kuru madde içeriği, gıda işleme endüstrisinde önemli bir kalite göstergesidir. Kuru madde oranı yüksek olan patatesler bazı işleme süreçlerinde daha iyi verim, daha uygun doku ve daha istenen ürün özellikleri sağlayabilir. Örneğin cips üretiminde kuru madde oranı, ürünün çıtırlığı ve kızartma kalitesiyle ilişkilidir.

Fakat bu değeri ölçmek kolay değildir. Klasik yöntemlerde patates örneği alınır, tartılır, yüksek sıcaklıkta kurutulur ve tekrar tartılarak su dışı madde oranı hesaplanır. Bu yöntem güvenilir kabul edilir; ancak tahribatlıdır. Yani ölçülen ürün artık sağlam kalmaz. Ayrıca zaman alır ve üretim hattında anlık karar vermeye uygun değildir.

Yakın kızılötesi spektroskopi, bu soruna pratik bir alternatif sunar. NIR olarak kısaltılan bu yöntem, ürün üzerine belirli dalga boylarında ışık gönderir ve geri dönen ya da geçen ışığın deseninden kimyasal bileşim hakkında bilgi çıkarır. Çünkü su, nişasta, protein ve karbon bazlı bileşikler farklı dalga boylarında farklı optik tepkiler verir.

Ancak taşınabilir NIR cihazları sahada kullanıldığında üç büyük sorun ortaya çıkar. Birincisi, ışığın patates dokusuna sınırlı derinlikte girebilmesidir. Eğer ışık yalnızca yüzeye yakın bölgeyi okuyorsa, tüm patatesin iç kalitesi hakkında güvenilir bilgi vermeyebilir. İkincisi, patatesin iç yapısı homojen değildir. Sap ucu, tomurcuk ucu ve orta bölge aynı kuru madde değerini taşımayabilir. Üçüncüsü, gerçek kullanımda cihazın patatese temas basıncı, ölçüm açısı, kabuk eğriliği ve çevresel ışık gibi faktörler spektrumu bozabilir.

Bu makalenin ana problemi şudur: Taşınabilir bir NIR sistemiyle patatesin kuru madde içeriği, ürün kesilmeden ve saha koşullarındaki ölçüm bozulmalarına rağmen güvenilir biçimde tahmin edilebilir mi?

Yöntem Ne Öneriyor?

Çalışma, taşınabilir NIR ölçümü için üç katmanlı bir yaklaşım öneriyor.

İlk katman fiziksel ölçüm sınırlarını anlamak. Araştırmacılar, ışığın patates dokusunda ne kadar ilerleyebildiğini deneysel olarak ölçüyor. Bunun için patates dokusu katman katman inceltiliyor ve altına yerleştirilen karakteristik optik sinyalin doku kalınlığı arttıkça nasıl zayıfladığı izleniyor. Böylece cihazın yalnızca teorik olarak değil, gerçek patates dokusunda ne kadar derini okuyabildiği değerlendiriliyor.

İkinci katman doğru örnekleme bölgesini belirlemek. Patatesin sap ucu, tomurcuk ucu ve ekvator bölgesi ayrı ayrı inceleniyor. Ekvator bölgesi, patatesin orta çevresel kuşağı olarak düşünülebilir. Çalışma, bu bölgenin tüm patatesin kuru madde içeriğini temsil etmede daha iyi olduğunu gösteriyor. Bu nedenle araştırmacılar tek noktadan ölçüm yerine ekvator bölgesinden çok noktalı ölçüm ve spektral ortalama alma yaklaşımını benimsiyor.

Üçüncü katman ise model dayanıklılığını artırmak. Taşınabilir cihazlar laboratuvar koşullarında değil, gerçek sahada kullanıldığında ölçüm değişkenliği artar. Cihaz patatese biraz daha güçlü ya da zayıf bastırılabilir, yüzey eğriliği farklı olabilir, temas açısı değişebilir veya kaçak ışık oluşabilir. Araştırmacılar bu tür bozulmaları taklit eden veri artırma stratejisi geliştiriyor. Her orijinal spektrumdan gerçekçi varyasyonlar üretiliyor ve model bu daha geniş koşullara karşı eğitiliyor.

Modelleme tarafında 36 farklı analiz yolu test ediliyor. Bunlar, farklı spektral ön işleme yöntemleri ile değişken seçme yöntemlerinin kombinasyonlarından oluşuyor. Temel tahmin modeli olarak PLS, yani kısmi en küçük kareler regresyonu kullanılıyor. Amaç yalnızca en düşük hata değerine ulaşmak değil; aynı zamanda ölçüm tekrarlanabilirliğini de korumak. Bu nedenle çalışma çift indeksli bir seçim kriteri kullanıyor: tahmin hatası ve tekrar ölçümlerdeki değişkenlik birlikte değerlendiriliyor.

Formüller Ne Anlatıyor?

Bu çalışma formülleri, taşınabilir sensörün ölçtüğü ışık sinyalini anlamlı kalite tahminine dönüştürmek için kullanıyor.

İlk formül absorbans hesabını anlatıyor. Absorbans, örneğe gönderilen ışık ile örnekten sonra ölçülen ışık arasındaki farktan elde edilir. Basitçe söylemek gerekirse, patates dokusu belirli dalga boylarında ışığın bir kısmını soğurur veya saçar. Bu değişim, patatesin içeriği hakkında bilgi taşır. Çalışmada referans ve örnek ölçümleri farklı entegrasyon süreleriyle alındığı için bu süre farkı da formülde düzeltiliyor.

İkinci ve üçüncü formüller, oblique projection adı verilen sinyal ayrıştırma yaklaşımına dayanıyor. Bu yöntem, patates dokusundan gelen arka plan etkisini azaltıp alttaki Pr-Nd cam standardının karakteristik sinyalini daha net ayırmak için kullanılıyor. Böylece doku kalınlığı arttıkça sinyalin nasıl zayıfladığı daha temiz biçimde izlenebiliyor.

Dördüncü formül, ışık sinyalinin doku kalınlığı arttıkça üstel olarak azaldığını gösteriyor. Bu biyolojik dokular için beklenen bir davranıştır. Doku kalınlığı arttıkça ışık daha fazla saçılır ve soğurulur. Formüldeki etkin zayıflama katsayısı, ışığın patates dokusunda ne kadar hızlı kaybolduğunu ifade eder. Bu katsayıdan, karakteristik nüfuz derinliği hesaplanır.

Model değerlendirme formülleri ise tahminin başarısını ölçer. R², modelin referans değerlerdeki değişimi ne kadar açıklayabildiğini gösterir. RMSE, tahmin hatasının büyüklüğünü ifade eder. Mean RSD ise aynı örnek üzerinde tekrar ölçümlerde tahminlerin ne kadar değiştiğini gösterir. Bu son ölçüt, taşınabilir cihazlar için özellikle önemlidir; çünkü sahada yalnızca doğru tahmin değil, aynı örnek tekrar ölçüldüğünde benzer sonuç almak da gerekir.

Grafik / Tablo / Şema Ana Mesajı

Cihaz mimarisini gösteren görsel, taşınabilir NIR sisteminin yalnızca bir spektrometreden ibaret olmadığını anlatıyor. Sistem; LED aydınlatma modülü, mini spektrometre, Raspberry Pi tabanlı kontrol birimi ve ışık sızıntısını azaltmaya çalışan özel optik arayüzden oluşuyor. Görselin ana mesajı, araştırmanın hem donanım hem de yazılım/model tarafını birlikte ele aldığıdır.

Sinyal zayıflama grafikleri, patates dokusu kalınlaştıkça karakteristik optik sinyalin hızla azaldığını gösteriyor. Doku 1–2 mm iken sinyal güçlüdür; kalınlık arttıkça sinyal üstel biçimde düşer. Bu grafiklerin ana mesajı, taşınabilir cihazın patatesin tamamını baştan sona “görmediği”, belirli bir etkin derinlikten bilgi alabildiğidir.

Dalga boyuna göre nüfuz grafiği, her ışığın patates dokusunda aynı performansı göstermediğini ortaya koyuyor. 700–820 nm aralığında nüfuz daha sınırlıyken, 835–875 nm aralığında daha iyi sonuç elde ediliyor. Bu bölge, patates kuru maddesinin önemli bileşenleriyle ilişkili karbon-hidrojen bağlarına duyarlı olduğu için kalite tahmini açısından değerli görülüyor.

Anatomik bölge karşılaştırma grafiği, patatesin farklı noktalarının tüm yumruyu aynı derecede temsil etmediğini gösteriyor. Sap ucu en yüksek sapmaya sahipken, ekvator bölgesi tüm patatesin kuru madde içeriğine çok daha yakın değer veriyor. Grafiğin ana mesajı, doğru cihaz kadar doğru ölçüm noktası seçiminin de kritik olduğudur.

Ham ve artırılmış spektrumları gösteren grafik, veri artırmanın ne yaptığını açıklıyor. Ham tekrar ölçümler belirli bir aralıkta değişkenlik gösterirken, artırılmış veri seti daha geniş ama gerçekçi bir ölçüm varyasyonu alanı oluşturuyor. Bu, modelin yalnızca ideal laboratuvar sinyaline değil, sahada karşılaşabileceği temas ve yüzey bozulmalarına da hazırlanmasını sağlıyor.

PCA grafiği, artırılmış spektrumların gerçek veri dağılımının dışına taşmadığını gösteriyor. Yani veri artırma rastgele ve gerçek dışı sinyaller üretmemiş; ölçülen spektrumların doğal varyasyon alanı içinde kalmış. Bu, model eğitiminde yapay veri kullanımının daha güvenli yorumlanmasını sağlıyor.

Pareto grafiği, model seçiminde yalnızca düşük hata değerine bakmanın yeterli olmadığını gösteriyor. Bazı modeller düşük hata verse bile tekrar ölçüm değişkenliği yüksek olabilir. En iyi seçenek, hem tahmin hatasını hem de ölçüm oynaklığını birlikte düşük tutan bölgededir. Bu çalışmada Detrending–UVE kombinasyonu bu denge açısından öne çıkıyor.

Latent variable karşılaştırma grafikleri, daha karmaşık modelin her zaman daha iyi olmadığını gösteriyor. Daha fazla gizli bileşen kullanan model çapraz doğrulamada iyi görünebilir; fakat dış testte ve tekrar ölçümde daha kararsız hale gelebilir. Bu nedenle araştırmacılar, daha dengeli ve kararlı olan 8 gizli değişkenli modeli tercih ediyor.

Saha doğrulama grafiği, taşınabilir cihazdan gelen gerçek zamanlı tahminlerin laboratuvar referans değerleriyle genel olarak uyumlu olduğunu gösteriyor. Noktaların 1:1 çizgisine yakın dağılması, modelin sahada kullanılabilir potansiyel taşıdığını düşündürüyor. Ancak bu sonuç, daha geniş ve farklı koşullu testlerle desteklenmelidir.

Deneyler Nasıl Yapılmış?

Çalışmada toplam 143 sağlam patates yumrusu kullanılmış. Örnekler Çin’in üç önemli üretim bölgesinden toplanmış: İç Moğolistan, Shanxi ve Shandong. Örnekler farklı deney amaçları için gruplara ayrılmış. Bazıları optik nüfuz derinliğini ölçmek, bazıları patates içindeki kuru madde dağılımını anlamak, büyük kısmı ise model geliştirmek ve doğrulamak için kullanılmış.

Referans kuru madde ölçümü klasik fırında kurutma yöntemiyle yapılmış. Patatesler önce taze halde hassas terazide tartılmış, sonra 105 °C’de sabit ağırlığa ulaşana kadar kurutulmuş ve kuru kütlenin taze kütleye oranı hesaplanmış. Bu değer, NIR modelinin öğrenmeye çalıştığı gerçek referans değer olarak kullanılmış.

Taşınabilir NIR sistemi araştırmacılar tarafından geliştirilmiş. Cihaz 680–1030 nm aralığında çalışan sekiz LED, 645–1085 nm aralığını ölçebilen mini spektrometre, Raspberry Pi tabanlı kontrol birimi ve ışık sızıntısını azaltmaya çalışan optik arayüzden oluşuyor. Her patatesten ekvator bölgesinde üç farklı pozisyondan spektrum alınmış ve her ölçüm 100 ardışık taramanın ortalaması olarak kaydedilmiş.

Optik nüfuz deneyi için patates dokusu katman katman inceltilmiş. Yaklaşık 1 mm’den 20 mm’ye kadar değişen doku kalınlıklarında, alt taraftaki optik standardın sinyalinin ne kadar zayıfladığı ölçülmüş. Bu sayede hangi dalga boyu aralığında ışığın patates dokusunda daha derine ulaşabildiği belirlenmiş.

Spatial heterojenlik analizi için sap ucu, tomurcuk ucu ve ekvator bölgesinden doku parçaları alınmış. Bu bölgelerin kuru madde değerleri tüm patates referans değeriyle karşılaştırılmış. Ekvator bölgesinin tüm patatesi en iyi temsil ettiği görülmüş.

Model geliştirme aşamasında veri patates bazında ayrılmış. Yani aynı patatesten alınan spektrumlar hem eğitim hem test setine karışmamış. Bu önemli bir ayrıntıdır; çünkü aksi durumda model aynı patatesin benzer sinyallerini görerek olduğundan daha başarılı görünebilir.

Araştırmacılar ayrıca saha bozulmalarını taklit eden veri artırma uygulamış. Her orijinal spektrumdan 20 varyasyon üretilmiş. Bu varyasyonlar temas basıncı, yüzey eğriliği, optik yol değişimi, baz çizgisi kayması ve dedektör gürültüsü gibi gerçekçi sorunları simüle edecek şekilde tasarlanmış.

Son olarak 36 farklı modelleme yolu test edilmiş. Farklı spektral ön işleme yöntemleri, değişken seçme stratejileri ve PLS regresyonu birlikte denenmiş. En iyi model, yalnızca en düşük hata değerine göre değil, tekrar ölçüm kararlılığına göre de seçilmiş.

Sonuçlar Ne Gösteriyor?

Optik nüfuz sonuçları, 835–875 nm aralığının patates dokusunda daha etkili bilgi taşıdığını gösteriyor. Bu aralıkta pratik algılama derinliği 15 mm’nin üzerine çıkıyor ve maksimum 20.33 mm’ye kadar ulaşıyor. Bu, taşınabilir cihaz için önemli bir bulgu; çünkü cihazın hangi dalga boylarında daha güvenilir iç bilgi alabildiğini gösteriyor.

Anatomik bölge analizi, ekvator bölgesinin tüm patatesi temsil etmede en uygun bölge olduğunu gösteriyor. Sap ucunda ortalama göreli hata çok daha yüksekken, ekvator bölgesindeki hata oldukça düşük bulunuyor. Bu nedenle çok noktalı ekvator ölçümü, patatesin genel kuru madde değerini tahmin etmek için daha uygun bir strateji olarak öneriliyor.

Veri artırma sonuçları, yapay olarak üretilen spektrumların gerçek veri dağılımının içinde kaldığını gösteriyor. Bu, modelin gerçek dışı sinyallerle değil, sahada karşılaşılabilecek makul bozulmalarla eğitildiğini düşündürüyor.

Model karşılaştırmasında türev tabanlı ön işleme yöntemleri daha fazla ölçüm değişkenliği üretmiş. Bunun nedeni, türev alma işleminin bazı durumlarda gürültüyü de büyütmesidir. Buna karşılık detrending yöntemi, yüzey eğriliği ve temas farkı gibi nedenlerle oluşan baz çizgisi kaymalarını azaltırken gürültüyü aşırı büyütmemiştir.

Değişken seçme yöntemleri içinde UVE, kararlı değişkenleri seçmesi nedeniyle öne çıkmıştır. Detrending ile UVE birleştiğinde, hem tahmin hatası hem de tekrar ölçüm değişkenliği açısından en dengeli çözümü vermiştir.

Model doğrulamada 8 gizli değişkenli Detrending–UVE–PLS modeli, dış doğrulamada R²=0.7628 ve RMSEP=1.76% değerine ulaşmıştır. Sahaya gömülü cihaz doğrulamasında ise R²=0.8229, RMSEP=1.15% ve Mean RSD=1.47% raporlanmıştır. Bu değerler, taşınabilir sistemin patates kuru madde takibinde kullanılabilir potansiyel taşıdığını göstermektedir.

Bu Neden Önemli?

Gıda tedarik zincirinde hızlı kalite ölçümü giderek daha önemli hale geliyor. Patates gibi hacimli ürünlerde her örneği kesmek, kurutmak ve laboratuvarda analiz etmek hem yavaş hem de maliyetlidir. Taşınabilir bir cihazla hızlı ve tahribatsız ölçüm yapılabilirse; üretici, depo, işleme tesisi ve kalite kontrol birimleri daha hızlı karar verebilir.

Bu çalışma, taşınabilir NIR ölçümünde yalnızca “model kuralım ve tahmin edelim” yaklaşımının yeterli olmadığını gösteriyor. Cihazın fiziksel sınırlarını, ışığın dokuya nüfuz derinliğini, patatesin iç heterojenliğini ve gerçek saha kullanımındaki bozulmaları birlikte düşünmek gerekiyor.

Özellikle ekvator bölgesinden çok noktalı ölçüm önerisi pratik açıdan önemlidir. Çünkü taşınabilir cihazlarda ölçüm noktası yanlış seçilirse model ne kadar iyi olursa olsun tahmin sapabilir. Aynı şekilde çift indeksli model seçimi, yalnızca düşük hata değil, tekrar ölçüm kararlılığı aradığı için gerçek kullanım koşullarına daha yakın bir kalite kriteri sunar.

Bu yaklaşım yalnızca patates için değil, iç yapısı homojen olmayan başka meyve ve sebzeler için de örnek olabilir. Ancak her ürünün kabuk yapısı, su içeriği, doku yoğunluğu ve kimyasal bileşimi farklı olduğu için doğrudan aktarım yerine ürün bazlı doğrulama gerekir.

Dikkat Noktaları

Bu makale preprinttir. Yani hakem değerlendirmesinden geçmemiştir. Sonuçlar umut verici olsa da, kesin endüstriyel standart veya doğrudan uygulama talimatı gibi sunulmamalıdır.

Çalışma belirli bölgelerden toplanan patates örneklerine dayanıyor. Farklı çeşitler, farklı depolama koşulları, farklı kabuk kalınlıkları, farklı hasat dönemleri ve farklı üretim bölgeleri model performansını etkileyebilir.

Toplam örnek sayısı taşınabilir sistem geliştirme açısından değerli olsa da, endüstriyel ölçekte genelleme için daha geniş, çok yıllı ve çok çeşitli veri setleri gerekir.

Optik nüfuz derinliği sınırlıdır. Cihaz patatesin tamamını doğrudan okumaz; belirli derinlikten gelen sinyali kullanarak tüm yumru hakkında tahmin üretir. Bu nedenle çok noktalı ölçüm ve doğru örnekleme bölgesi kritik önemdedir.

Saha doğrulama 28 bağımsız örnekle yapılmıştır. Bu iyi bir başlangıçtır; ancak gerçek işleme hattında hız, sıcaklık, nem, ürün hareketi, operatör farkı ve cihazlar arası değişkenlik gibi ek faktörler de test edilmelidir.

Veri artırma yöntemi gerçekçi bozulmaları taklit edecek şekilde tasarlanmıştır; fakat simülasyon her zaman gerçek saha karmaşıklığını tam temsil etmeyebilir. Bu nedenle gerçek üretim hattı verileriyle ek doğrulama önemlidir.

Sonuç

Bu çalışma, patatesin kuru madde içeriğini tahribatsız ve taşınabilir bir NIR sistemiyle ölçme hedefinde önemli bir mühendislik yaklaşımı sunuyor. Araştırmacılar önce cihazın fiziksel sınırını anlamaya çalışıyor: Işık patates dokusuna ne kadar giriyor ve hangi dalga boyu daha iyi bilgi taşıyor? Ardından patatesin iç heterojenliğini dikkate alıyor: Hangi bölgeden ölçüm alınırsa tüm yumru daha iyi temsil edilir? Son olarak model tarafında yalnızca tahmin hatasını değil, ölçüm kararlılığını da optimize ediyor.

Bulgular, 835–875 nm dalga boyu aralığının daha uygun optik pencere sunduğunu, ekvator bölgesinin ölçüm için daha temsil edici olduğunu ve Detrending–UVE–PLS yaklaşımının saha bozulmalarına karşı daha dayanıklı sonuç verdiğini gösteriyor.

En güvenli yorum şudur: Bu yöntem, patates kalite kontrolünde taşınabilir ve tahribatsız ölçüm için güçlü bir adaydır. Ancak farklı çeşitlerde, farklı hasat/depolama koşullarında, farklı cihazlarda ve gerçek endüstriyel hatlarda daha geniş doğrulama yapılmadan kesin uygulama standardı olarak görülmemelidir.

Kaynak ve Yöntem Notu

Bu yazı, “Optimizing Portable Near-Infrared Potato Sensing via Optical Penetration Constraints and Spatial Heterogeneity Mapping” başlıklı preprint makaleden hazırlanmıştır. Çalışma, taşınabilir yakın kızılötesi spektroskopiyle patates kuru madde içeriği ölçümünü geliştirmek için optik nüfuz derinliği, anatomik bölge temsiliyeti, veri artırma ve kemometrik model optimizasyonunu birlikte ele almaktadır.

Metin birebir çeviri değildir. Makaledeki ana fikir, yöntem, formüller, grafikler, deneyler, sonuçlar ve sınırlılıklar Verianla okuyucusu için sadeleştirilerek özgün Türkçe editoryal içerik halinde yeniden anlatılmıştır. Çalışma preprint olduğu için bulgular kesin kalite kontrol standardı değil, daha fazla saha ve endüstri doğrulaması gerektiren araştırma sonuçları olarak değerlendirilmelidir.