Ülker, ErkanBuyukarikan, Birkan2025-12-242025-12-2420251309-1751https://doi.org/10.17780/ksujes.1626795https://search.trdizin.gov.tr/en/yayin/detay/1315060/luminance-estimation-from-surfaces-with-different-color-temperature-and-lamp-illumination-angle-a-deep-learning-based-approachhttps://hdl.handle.net/123456789/12779Geleneksel yöntemlerle parıltı tahmini, elektronik sistemler yardımıyla gerçekleştirilmektedir. Ancak, nesne üzerindeki parıltıyı etkileyen renk sıcaklığı ve lambanın nesneyi aydınlatma açısı gibi aydınlatma özelliklerinin değişimi geleneksel yöntemlerle parıltı tahminini zorlaştırmaktadır. Dolayısıyla bu çalışmada, parıltı tahminine alternatif bir çözüm sunmak amacıyla evrişimsel sinir ağları (CNN) modellerinden yararlanılarak görüntü tabanlı bir yaklaşım önerilmiştir. Çalışmada, renk sıcaklığı ve lambanın konum açısının etkileri göz önünde bulundurularak, kusurlu ve kusursuz elma görüntüleri üzerinde parıltı tahmini yapılmıştır. Elde edilen sonuçlara göre, GoogLeNet modeli, öğrenme oranının 0.001 ve yığın boyutunun 8 olduğu değerlerde en iyi performansı sergileyerek, daha düşük Karekök Ortalama Kare Hata (RMSE) değeri ile en iyi parıltı tahminini gerçekleştirmiştir. Renk sıcaklıklarına göre, kusurlu elmalar en düşük RMSE değerini 2700 K renk sıcaklığında ve kusursuz elmalar ise en düşük RMSE değerini 6500 K renk sıcaklığında göstermiştir. Renk sıcaklıklarına göre; en iyi parıltı tahmini, 6500 K renk sıcaklığında 5.023 cd/m² RMSE değerindedir. Lamba açısına göre; kusurlu elmalar en düşük RMSE değerini 60 derecelik açıda 5.106 cd/m² ve kusursuz elmalar en düşük RMSE değeri ise 45 derecelik açıda 6.411 cd/m² olarak elde etmiştir.eninfo:eu-repo/semantics/openAccessArticle10.17780/ksujes.1626795