Demircan, SemiyeÜrgen, Nurullah2026-04-102026-04-102026https://hdl.handle.net/20.500.13091/13230https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=KOgdn9H3uVnWeb15j2W4h5lZZHEnjj-3aLIK6DQLP33HFCS0betFH3gZK5S07dJCWheat is a highly important product both as a food and economically. Throughout the various processes of bread wheat cultivation, from storage to import and export, reliable and cost-effective methods for differentiating wheat types are critical at many stages. However, common evaluation approaches often rely on laboratory-based, time-consuming processes dependent on expert personnel. This study aims to present a classification process closer to in-situ conditions for wheat in grain and flour form using hyperspectral measurements. This thesis investigates variety/type classification of bread wheat grains and the flours obtained from them using hyperspectral range reflection spectra. Spectra were acquired with a Qmini AFBR-S20M2VN (450–1100 nm), while an effective 500–1000 nm window was used for analysis. Measurements followed a single-spot reflectance geometry in a dim, isolated environment: a halogen lamp illuminated the sample at approximately 45°. For each physical sample, the container was slightly moved during hyperspectral measurements to ensure sampling of different positions or orientations within the batch. Data depth for each class was ensured by recording 10 technical repetitions per sample. Preprocessing relied on Savitzky–Golay smoothing and scatter correction (SNV/MSC). Classification was comparatively evaluated using SVM, HGB, MLR, LDA, and CNN methods with 5 and 6 classes. Evaluation followed a group-aware validation rationale by using container identifiers as grouping keys. Accuracy (ACC) is reported as the primary metric, while Macro-F1, which is sensitive to class imbalance, is reported as a supplementary metric. Results indicate that that in the best-case scenario, accuracy reached 91% in powder form under 5 and 6 class conditions, while in granular form, accuracy increased to 83%. Seed variations and method differences led to fluctuations in results, particularly under certain conditions, making inter-method differences more apparent. Overall, it was observed that regularized classical classifiers (SVM, HGB, MLR, LDA) under controlled data acquisition and a reduced number of bands could produce results similar to 1B-CNN under conditions where the number of samples per class is limited; however, while 1B-CNN produced the highest success under certain conditions, the results were more sensitive to seed and class number fluctuations. The study presents a reproducible hyperspectral workflow for grain and powder wheat. Furthermore, it highlights the importance of controlled expansion of the class number, architectures that better utilize contiguous spectral structure, and validation methods.Buğday, bir gıda olarak ve ekonomik açından oldukça önemli bir üründür. Ekmeklik buğdayın yetiştirilmesinden depolamaya ve ithalat ile ihracatına kadar olan çeşitli süreçlerde, buğday türü ayrımının güvenilir ve maliyetsiz yöntemlerle yapılabilmesi birçok aşamada kritik önem taşır. Ancak yaygın değerlendirme yaklaşımları çoğu zaman laboratuvar tabanlı, zaman alıcı ve uzman personele bağımlı süreçlere dayanmaktadır. Bu tezde, ekmeklik buğday taneleri ile bunlardan elde edilen unların hiperspektral aralıktaki yansıma spektrumları kullanılarak çeşit/tip sınıflandırması incelenmiştir. Spektrumlar Qmini AFBR-S20M2VN (450–1100 nm) cihazı ile ölçülmüş, analizlerde 500–1000 nm aralığı kullanılmıştır. Ölçümler loş ve izole bir ortamda tek-nokta yansıma geometrisi ile gerçekleştirilmiş; halojen ışık kaynağı ile hiperspektral çekimler gerçekleştirilmiştir. Her fiziksel numune için hiperspektral ölçümlerde kap hafifçe hareket ettirilmiş, böylece yığın içindeki farklı konum veya yönelimlerin örneklenmesi sağlanmıştır. Numune başına 10 teknik tekrar kaydedilerek her bir sınıf için veri derinliği sağlanmıştır. Ön-işleme adımları Savitzky–Golay yumuşatma ve saçılma düzeltmeleri (SNV/MSC) üzerine kurulmuştur. Sınıflandırma, 5 ve 6 sınıf kullanılarak SVM, HGB, MLR, LDA ve CNN yöntemleri ile karşılaştırmalı değerlendirilmiştir. Değerlendirmede, numune kimliği grup anahtarı kabul edilerek grup-bazlı doğrulama mantığı izlenmiştir. Doğruluk (ACC) temel ölçüt, sınıf dengesizliğine duyarlı Macro-F1 ise tamamlayıcı ölçüt olarak bildirilmiştir. Bulgular, 5 ve 6 sınıf koşullarında toz formunda en iyi senaryoda doğruluğun %91, ulaşabildiğini; tane formunda ise en iyi senaryoda doğruluğun %83 düzeyine çıktığını göstermiştir. Tohum değişimi ve yöntem farkları, özellikle bazı koşullarda sonuçların dalgalanmasına yol açarak yöntemler arası farkların daha görünür hâle gelmesine neden olmuştur. Genel olarak, kontrollü veri edinimi ve bant sayısı azaltılmış bir tasarım altında düzenlileştirilmiş klasik sınıflandırıcıların (SVM, HGB, MLR, LDA), sınıf başına örnek sayısının sınırlı olduğu koşullarda 1B-CNN ile benzer düzeyde sonuçlar verebildiği; buna karşılık 1B-CNN'in bazı koşullarda en yüksek başarıyı üretse de sonuçların tohum ve sınıf sayısına daha duyarlı dalgalanabildiği görülmüştür. Çalışma, tane ve toz buğday için hiperspektral alanda tekrarlanabilir bir iş akışı sunmaktadır. Ayrıca sınıf sayısının kontrollü genişletilmesi, bitişik spektral yapıyı daha iyi kullanan mimariler ve doğrulama yöntemlerinin önemini vurgulamaktadır.trComputer Engineering and Computer Science and ControlBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaster Thesis