Proje Hakkında: Akıllı Fırın İzleme ve Pişirme Parametreleri Öneri Sistemi

Bu proje, geleneksel pişirme süreçlerini yapay görme teknikleriyle modernize etmek amacıyla geliştirilmiş bir akıllı fırın izleme sistemidir. Sistem, fırın yapısına fiziksel olarak müdahale edilmeden, dışarıdan konumlandırılan harici bir kamera kurulumu vasıtasıyla pişmekte olan yiyeceklerin anlık durumunu takip eder.

Sistemde, fırın içi sıcaklığı veya pişirme modunu otomatik olarak değiştiren aktif bir kontrol mekanizması bulunmamaktadır; bunun yerine temel amaç, kullanıcıya anlık durum bilgisi ve en uygun pişirme parametrelerini sunarak rehberlik etmektir.

Metodoloji ve Çalışma Prensibi:

• Görsel Değerlendirme: Harici kameradan alınan anlık görüntüler, derin öğrenme tabanlı MobileNetV2 mimarisi kullanılarak öznitelik vektörlerine dönüştürülür.
• Kosinüs Benzerliği: Elde edilen öznitelik vektörleri, sistem belleğinde hazır bulunan referans veri setiyle yerel olarak Kosinüs Benzerliği (Cosine Similarity) metriği kullanılarak karşılaştırılır.
• Bilgilendirme Sistemi: Karşılaştırma sonucunda yiyeceğin mevcut durumu tespit edilir; ideal pişme derecesi, pişme modu ve kalan süre gibi parametreler kullanıcıya bilgilendirme mesajı olarak iletilir.

About the Project: Smart Oven Monitoring and Cooking Parameter Recommendation System

This project introduces a smart oven monitoring system designed to modernize traditional cooking processes using computer vision techniques. Instead of modifying the internal structure of the oven, the system monitors the real-time state of the food being cooked using an externally mounted camera setup.

The system does not feature any automated control mechanisms to physically adjust the oven’s temperature or cooking modes; rather, its primary objective is to guide users by providing real-time status updates and recommended cooking parameters.

Methodology and Working Principle:

• Visual Feature Extraction: Real-time frames captured by the external camera are processed and converted into feature vectors utilizing the deep learning-based MobileNetV2 architecture.
• Cosine Similarity Analysis: The extracted feature vectors are compared locally with a reference dataset loaded into the system memory, using the Cosine Similarity metric to evaluate the cooking stage.
• Notification System: Based on the similarity analysis, the current state of the food is identified, and optimal cooking parameters—such as ideal temperature, heating mode, and estimated duration—are sent to the user as informative notifications.

Yemek Adı/ Food Name	Sıcaklık / Temperature	Süre / Duration	Mod / Mode
Glutensiz Poğaça	185°C	30dk	Alt Üst Fan
Patatesli Gül Böreği	185°C	40dk	Alt Üst Fan
Tepside Mısır Ekmeği	200°C	30dk	Alt Üst Fansız
Wolke Kek	170°C	35dk	Alt Üst Fan
Su Tatlısı	180°C	30dk	Alt Üst Fan
Sucuklu Kaşarlı Pide	200°C	20dk	Alt Üst Fansız
Milföy Pizza	200°C	18dk	Alt Üst Fansız
Kruton	200°C	14dk	Üst Fan
Kırmızı Biber	max	30dk	Alt Üst Fan
Ispanaklı Rulo Börek	185°C	42dk	Alt Üst Fan

Sistem değerlendirmesinde kullanılan referans veri setine ait örnek görseller ve bu görsellere karşılık gelen ideal pişirme parametreleri yukarıdaki tabloda ve galeride özetlenmiştir. / Sample images from the reference dataset used in the system evaluation, along with their corresponding ideal cooking parameters, are summarized in the table and gallery above.