Yoğurt üretimi sırasında çevresel faktörleri ve kültürel miktarı toplayın. Ardından, dokusunu tahmin etmek için Blynk üzerinden bir sinir ağı modeli çalıştırın.
Seeed Donanımı: Seeed Studio XIAO ESP32C3, Seeed Studio Seeeduino XIAO Genişletme kartı, Seeed Studio Grove – Sıcaklık & Nem Sensörü (SHT40), Seeed Studio Grove – Entegre Basınç Sensörü Kiti
Yazılım: Arduino IDE, Blynk, Edge Impulse
Sektör: Endüstriyel Alan
Çözüm Dağıtımı: Türkiye
Arka Plan
Birçoğumuzun bildiği gibi, yoğurt sütün bakteriyel fermantasyonu ile üretilir; bu süt inek, keçi, koyun vb. olabilir. Fermantasyon süreci sütü koyulaştırır ve yoğurda karakteristik ekşi bir tat verir. Yoğurtta bulunan organizmaların bağırsaktaki dost bakterileri uyarıp sindirim sisteminde bulunan zararlı bakterileri baskıladığı düşünüldüğünde, yoğurdun dünya genelinde sağlıklı ve besleyici bir gıda olarak tüketilmesi şaşırtıcı değildir.
Yoğurt üretiminde kullanılan bakterilere yoğurt kültürleri (veya başlangıçlar) denir. Yoğurt kültürlerinin süt içerisindeki şekerleri fermante etmesi, laktik asit üretir; bu da süt içerisindeki proteinleri parçalayarak ve pıhtılaştırarak yoğurdun dokusunu ve karakteristik ekşi tadını verir. Ayrıca, bu süreç süt içerisindeki proteinlerin sindirilebilirliğini artırır ve proteinlerin besin değerini yükseltir. Sütün fermantasyonundan sonra, yoğurt kültürü insan bağırsaklarının amino asitleri daha verimli bir şekilde emmesine yardımcı olabilir.
Bu bağlamda, çoğu şirket yoğurdu kitlesel olarak üretirken tazeliğini, tadını, dokusunu ve görünümünü korumak için gıda (kimyasal) katkı maddeleri kullanmaktadır. Üretim yöntemine bağlı olarak, yoğurt katkı maddeleri seyrelticiler, su, yapay tatlandırıcılar, yeniden işlenmiş nişasta, şeker ve jelatin içerebilir.
Son yıllarda, gıda bilincindeki artış ve uygun sağlık düzenlemeleri nedeniyle, şirketler yoğurt üretim yöntemlerini değiştirmeye veya ambalaj üzerinde belirgin bir şekilde etiketlemeye zorlandılar. İnsanlar daha sağlıklı ve organik (doğal) yoğurt tüketmeye yöneldikçe, katkı maddesi içermeyen yoğurt üretimi için ön koşulları tam olarak hazırlamak bir gereklilik haline geldi. Ancak, ne yazık ki, organik (doğal) yoğurt üretimi bazı yerel süt ürünleri işletmeleri için zorluklar yaratmaktadır; çünkü sıkı gereklere uymak küçük işletmeler için pahalı ve zorlayıcı olabilir.
Yoğurt üretimi üzerine son araştırma makalelerini inceledikten sonra, yoğurt kıvamını fermantasyondan önce belirten sıcaklık, nem, basınç, süt sıcaklığı ve kültür ağırlığı ölçümlerini kullanarak, süt işletmelerinin toplam maliyetlerini azaltmalarına ve ürün kalitelerini artırmalarına yardımcı olmayı umarak kullanımı kolay ve bütçe dostu bir cihaz oluşturmayı kararlaştırdım.
XIAO ESP32C3, verileri kolayca toplayabilen ve yoğurt kıvamı seviyelerini tahmin etmek için eğitildikten sonra sinir ağı modelimi çalıştırabilen ultra küçük boyutlu bir IoT geliştirme kartı olduğundan, bu projede XIAO ESP32C3’ü kullanmaya karar verdim. Modelimi eğitmek için gerekli ölçümleri toplamak amacıyla bir sıcaklık & nem sensörü (Grove), bir entegre basınç sensörü kiti (Grove), bir I2C ağırlık sensörü kiti (Gravity) ve bir DS18B20 su geçirmez sıcaklık sensörü kullandım. XIAO genişletme kartı, SSD1306 OLED ekran ve bir MicroSD kart modülü gibi çeşitli prototipleme seçenekleri ve yerleşik çevresel birimler sunduğundan, XIAO ESP32C3 ile sensörler arasında sağlam bağlantılar yapmak için genişletme kartını kullandım.
Karşılaşılan Zorluklar
Tanımlanan projeyi dağıtırken karşılaşabileceğiniz birkaç potansiyel zorluk olabilir, bunlar arasında:
Sensor kalibrasyonu: Toplanan sensör verilerinin doğruluğu, sensör kalibrasyon sorunlarından etkilenebilir; bu da doğru ve güvenilir veri toplama sağlamak için dikkatli kalibrasyon prosedürleri gerektirebilir.
Güç yönetimi: Projede kullanılan sensörler ve diğer çevresel birimler önemli miktarda enerji tüketebilir; bu da cihazın pil ömrünü ve performansını sınırlayabilir. Optimal cihaz performansı ve uzun ömür sağlamak için düşük güç modları ve verimli veri iletim protokolleri gibi güç yönetimi stratejilerine dikkat edilmesi gerekebilir.
Veri depolama ve yönetimi: Sensörler tarafından toplanan büyük miktarda verinin depolanması ve yönetilmesi, dosya formatları, depolama yeri ve yedekleme prosedürleri gibi veri depolama ve yönetim stratejilerinin dikkatli bir şekilde değerlendirilmesini gerektirebilir.
Model optimizasyonu: Edge Impulse XIAO ESP32C3 ile uyumlu olsa da, ANN modelinin cihazda verimli bir şekilde çalışması için model mimarisi, girdi/çıktı veri formatları ve performans metrikleri gibi unsurların dikkatli bir şekilde değerlendirilmesi gerekebilir.
Genel olarak, bu projeyi dağıtırken bazı zorluklar olsa da, bu faktörlerin dikkatli bir şekilde değerlendirilmesi ve sistemin farklı ortamlarda test edilmesi ve doğrulanması, cihazın güvenilir, etkili ve kullanımı kolay olmasını sağlamaya yardımcı olabilir. Böylece proje, yoğurt kıvamı seviyeleri hakkında değerli bilgiler sağlayabilir ve yoğurt üretim süreçlerini iyileştirebilir.
Çözüm
Tanımlanan projeyi dağıtırken karşılaşılabilecek potansiyel zorlukları aşmak için birkaç strateji uygulanabilir:
Sensor kalibrasyonu: Sensör kalibrasyon sorunlarını aşmak için, projede kullanılan sensörlerin uygun prosedürler ve araçlar kullanılarak dikkatlice kalibre edilmesi gerekebilir. Ayrıca, sensör hata tespiti ve düzeltme mekanizmalarının uygulanması, doğru ve güvenilir veri toplama sağlamaya yardımcı olabilir.
Güç yönetimi: Düşük güç modları, verimli veri iletim protokolleri ve güç kaynaklarının dikkatli seçimi gibi güç yönetimi stratejileri, cihazın performansını ve uzun ömrünü optimize etmeye yardımcı olabilir.
Veri depolama ve yönetimi: Uygun dosya formatları, depolama yeri ve yedekleme prosedürleri gibi uygun veri depolama ve yönetim stratejilerinin uygulanması, güvenilir ve verimli veri toplama ve yönetimi sağlamaya yardımcı olabilir.
Model optimizasyonu: ANN modelinin XIAO ESP32C3 üzerinde verimli bir şekilde çalışması için model mimarisi, girdi/çıktı veri formatları ve performans metrikleri gibi unsurların dikkatli bir şekilde değerlendirilmesi gerekebilir. Ayrıca, modelin bellek ve hesaplama gereksinimlerini azaltmak için kuantizasyon ve budama gibi model sıkıştırma tekniklerinin uygulanması faydalı olabilir.
Genel olarak, bu stratejileri uygulayarak, tanımlanan projeyi dağıtırken karşılaşılan zorlukların üstesinden gelmek mümkün olup, cihazın güvenilir, etkili ve kullanımı kolay olmasını sağlamak mümkündür. Böylece proje, yoğurt kıvamı seviyeleri hakkında değerli bilgiler sağlayabilir ve yoğurt üretim süreçlerini iyileştirebilir.
Sonuçlar
Tanımlanan proje, XIAO ESP32C3 ve Edge Impulse kullanarak yoğurt kıvamı seviyelerini tahmin etmeyi içermektedir ve gıda endüstrisinde önemli bir değer ve potansiyel uygulamalara sahiptir. Cihaz, yoğurt kıvamı seviyeleri hakkında gerçek zamanlı bilgiler sağlayarak, yoğurt üretim süreçlerini iyileştirmeye yardımcı olabilir; bu da daha yüksek kaliteli ve daha tutarlı ürünler elde edilmesini sağlar.
Cihaz ayrıca, diğer süt ürünlerinin üretimi ve diğer gıda ürünlerinin işlenmesi ve paketlenmesi gibi gıda endüstrisinin diğer alanlarında da önemli uygulamalara sahip olabilir. Gıda ürünlerinin özellikleri hakkında gerçek zamanlı bilgiler sağlayarak, cihaz gıda üretim süreçlerinin verimliliğini ve etkinliğini artırmaya yardımcı olabilir; bu da daha yüksek kaliteli ve daha tutarlı ürünler elde edilmesini sağlar.
Genel olarak, cihazın gıda ürünlerinin kalitesini ve tutarlılığını artırma potansiyeli yüksektir; bu da gıda üreticilerine değerli bilgiler sunarak daha verimli ve etkili gıda üretim süreçlerini mümkün kılar. Bu nedenle, cihazın tarım, gıda işleme ve gıda paketleme gibi çeşitli endüstrilerde umut verici uygulamaları bulunmaktadır.
Daha Fazla Bilgi
- Kullanılan ürünler hakkında daha fazla bilgi edinin: Seeed Studio XIAO ESP32C3
- Seeed Studio XIAO Serisini keşfedin
- Görüntüleyin ve İndirin: Sistem Üzerindeki Modüller (SoM) Kullanıcı Kılavuzu