This study aims to predict the freshness of sea bass (Dicentrarchus labrax) using deep learning models based on image data. For this purpose, 10 fish were monitored daily from the day of purchase until three days after spoilage, with multi-angle imaging (eight distinct perspectives per fish, both with and without background) and corresponding quality analyses. A total of 22 quality parameters—10 categorical (sensory-based) and 12 numerical (color-based)—were evaluated, with the purchasability parameter defined as the most critical indicator of freshness. Using seven popular transfer learning algorithms (EfficientNetB0, ResNet50, DenseNet121, VGG16, InceptionV3, MobileNet, and VGG19), 2464 predictive models (1120 classification and 1344 regression) were trained. Classification models were evaluated using accuracy, precision, recall, F1-score, and response time, while regression models were assessed using mean absolute error and tolerance-based error metrics. The results showed that the MobileNet algorithm achieved the best overall performance, successfully predicting 15 of the 22 parameters with the lowest error or highest accuracy. Importantly, in the prediction of the most critical parameter—purchasability—the DenseNet121 architecture yielded the best classification performance with an accuracy of 0.9894. The findings indicate that deep learning-based image analysis is a viable method for evaluating the freshness of fish.

Türkiye, Avrasya, Afrika ve Arabistan levhalarının birleşim noktasında yer alması nedeniyle yüksek deprem riski taşıyan bir ülkedir. Adana’nın Seyhan ilçesi, 793.480 nüfusu ve 2.066 kişi/km² yoğunluğuyla bu risk altında olup, çalışmada deprem hazırlık kapsamında kullanılacak acil toplanma alanlarının belirlenmesi ve en uygun alanların seçilmesi hedeflenmiştir. Afet ve Acil Durum Yönetimi Başkanlığının belirlediği 54 alan, temel ve modifiye küme örtüleme modelleri, hedef programlama ve çok kriterli karar verme (ÇKKV) yöntemleriyle değerlendirilmeye alınmıştır. ÇKKV aşamasında kriter ağırlıkları En iyi – En Kötü Metot (BWM) ve Düzey Temelli Ağırlık Değerlendirme (LBWA) yöntemleriyle hesaplanmış, alternatifler CoCoSo ve TOPSIS yöntemleriyle sıralanmıştır. Ayrıca, bu yöntemlerden elde edilen bulgular ışığında bir matematiksel model geliştirilerek, acil toplanma alanlarına olan yürüyüş mesafesi, kapasite kullanımı, acil toplanma alanlarını kullanan nüfus ve seçilen alanların performans düzeyleri gibi kriterler aynı anda optimize edilmiştir. Bulgulara göre, nüfusun %47’si mevcut alanlara 45 dakikalık yürüme mesafesinde erişememekte ve alanların kapasitesi nüfus ihtiyaçlarını karşılamada yetersiz kalmaktadır. Bu durum doğrultusunda, yeni alanların oluşturulması, mevcut alanların kapasite ve altyapısının iyileştirilmesi ve halkın acil durum toplanma alanları hakkında bilgilendirilmesi önerilmektedir.

Bu çalışma, Türkiye’nin 2030 Sürdürülebilir Kalkınma Amaçları doğrultusunda çevresel sürdürülebilirlik hedeflerine katkı sağlamayı amaçlamaktadır. Çalışma, Türkiye'nin sürdürülebilir kalkınma hedeflerine ulaşmasını desteklemek amacıyla CO2 emisyonları ve ekolojik ayak izini tahmin etmeye odaklanmıştır. Yenilenebilir enerji tüketimi, fosil yakıt kullanımı, nüfus artışı, ormansızlaşma, dış ticaret ve gayri safi yurtiçi hasıla (GSYH) gibi çevresel değişkenler analiz edilmiştir. Girdi değişkenlerinin tahmininde yapay sinir ağları (YSA) kullanılmış, çıktıların tahmininde ise zaman serisi analiz yöntemlerine başvurulmuştur. Yenilenebilir enerji tüketimi ve nüfus için üssel düzgünleştirme, ormansızlaşma için ARIMA benzeri modeller, fosil yakıt tüketimi, dış ticaret ve GSYH için ise hareketli ortalama yöntemleri en iyi sonuçları vermiştir. Elde edilen bulgular, yenilenebilir enerji kullanımının artırılmasının CO2 emisyonlarını düşürdüğünü ve enerji verimliliği politikalarının sürdürülebilirlik hedeflerine ulaşmada kritik bir rol oynadığını göstermektedir.

Artificial intelligence and image-based deep learning offer promising non-destructive approaches for rapid fish quality assessment. This study evaluated the potential of deep learning models to classify freshness-related sensory attributes and predict color parameters of European seabass (Dicentrarchus labrax) fillets using image data acquired under controlled illumination. Seven sensory quality parameters and six color attributes were assessed. A structured image dataset was obtained at a fixed camera-to-sample distance of 45 cm, and 65 independently trained models, comprising 35 classification and 30 regression models, were developed using DenseNet121, InceptionV3, MobileNet, VGG16, and VGG19 architectures. Model training and evaluation were performed using group-based 10-fold cross-validation to ensure that images from the same fillet were not shared between the training and test sets. Classification performance depended strongly on both architecture and target parameter. DenseNet121 achieved the highest accuracy for purchasability (92.60%), water release (90.20%), odor (75.60%), color (77.40%), and disintegration (87.70%), whereas MobileNet performed best for texture (81.20%) and total score (57.70%). Purchasability was the most predictable sensory parameter across architectures, with a mean accuracy of 86.84%, whereas total score was the least predictable at 45.64%. In the regression tasks, DenseNet121 achieved the lowest MAE for a* (0.680), L* (2.467), hue (0.961), and whiteness (2.357), while MobileNet performed best for b* (1.200) and chroma (1.024). Grad-CAM visualizations indicated that model activations were predominantly associated with the fillet region, although more difficult classes showed more fragmented and occasionally edge- or background-associated activation patterns. Overall, DenseNet121 provided the strongest and most consistent performance, ranking first for nine of the 13 prediction targets. These findings demonstrate the potential of RGB imaging and deep learning for rapid, objective, and non-destructive assessment of selected freshness and quality attributes of European seabass fillets.

The rise of information systems and Industry 4.0 is transforming supply chain business models across sectors. This study evaluates e-pharmacy patient profiles in Türkiye, assessing the feasibility and need for online medicine sales. Despite Türkiye’s advancing e-government system enabling e-prescriptions, pharmacies remain barred from online sales due to regulatory restrictions. The research analyzes the necessity and suitability of e-pharmacies for patients, using survey data from 389 participants collected two years before COVID-19. Hypotheses were tested via T-test, Correlation, and Chi-square analyses. Findings indicate strong demand for e-pharmacies, with only 18% of respondents deeming the system inconvenient. Online purchases were more common for over-the-counter medicines, linked to internet and e-government usage, and illness frequency. Convenience was associated with education, age, and disability status, with disabled participants showing higher preference. The study highlights e-pharmacy’s potential, serving as a foundation for future regulatory frameworks.