Fıstık sınıflandırma sistemi için Siirt fıstığı imgelerinden gürbüz özniteliklerin çıkarılması

Musa ATAŞ

Makale detayları

Fıstık sınıflandırma sistemi için Siirt fıstığı imgelerinden gürbüz özniteliklerin çıkarılması

Yazarlar:

Musa ATAŞ

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 1, pp.93-102

Belge Tipi:

Makale

Yayın Tarihi:

5/2016

Belge Dili:

Türkçe

Document ID (Org No.):

2000950775

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 

Siirt pistachio is mostly consumed as fresh cookies
 in the market because it consists of more coarsegrained
 than other types of pistachio varieties and
 differs according to the aromas and taste. In order
 to gain customer satisfaction, Siirt pistachio having
 annual production capacity of 25 thousand tons
 should be subjected to the fully automatic sorting
 and grading processes based on the quality
 standards. Currently classification process is
 carried out via manual labor and mechanical tools.
 Man powered classification is a time consuming,
 boring and inefficient process. In addition to this,
 such a process carries several risks in terms of food
 hygiene. On the other hand, mechanical sorting
 systems (vibration based and pin pickers) cannot
 achieved desired classification accuracies anymore.
 Consequently a fully automated system based on
 machine vision is required.
 In this study it is aimed to develop various image
 processing methods for extracting robust features
 from the acquired images of Siirt pistachio samples
 for using pistachio sorting and grading system.
 Thus diameter ratio, pistachio area and edge length
 over area features are extracted from the acquired
 images. Extracted proposed features are provided as
 input parameters for offline classification.
 Pistachios are grouped into colossal, big, medium,
 small, shell and uncracked classes by domain expert
 based on Turkish quality standards. Dataset is
 constructed from the totally 600 pistachios (each
 group has 100 samples). Naïve Bayes, Artificial
 Neural Network (ANN) and Support Vector Machine
 (SVM) are used as classifiers. Classifiers are
 evaluated based on generalization accuracies and
 Type II error (false negative or severe error)
 criterion. ANN having 83.33% accuracy
 outperforms others. ANN and Naïve Bayes are also
 selected as winner classifiers based on severe error
 (Type II error or false negative) constraint.
 In addition to these, proposed pistachio sorting and
 grading systems is subjected to the real time
 performance testing with respect the computational
 cost criteria. Experiments revealed that considering
 three images, total processing speed of one pistachio
 sample is approximately 314ms which indicates that
 average processing speed of the proposed pistachio
 grading system is 3nuts per second. Another
 significant fact is related to the computational cost
 of the Canny edge detector algorithm. It holds about
 230ms for three images and therefore Canny edge
 process is the most expensive part that should be
 addressed in the future. It should be noted that the
 processing performance of the proposed system is
 for the single channel. Therefore customers can
 purchase several channels in order to establish
 parallel processing mechanism according to their
 needs and factory processing potentials.
 Consequently, ANN and Naïve Bayes classifiers
 along with proposed robust features are
 recommended to be using in pistachio sorting and
 grading system.

 

Siirt fıstığı diğer fıstık çeşitlerine göre daha iri taneli oluşu, aroma ve tadındaki farklılıklarından dolayı
 Antep fıstığı çeşidine göre piyasada çoğunlukla taze çerez olarak tüketilmektedir. Yıllık ortalama 25 bin ton
 üretim kapasitesi olan Siirt fıstık çeşidinin yurtiçi ve dışında pazarlanabilmesi ve müşteri memnuniyetini
 kazanabilmesi için kalite standartlarına göre bir sınıflandırma ve derecelendirme işlemine tabi tutulması
 gerekmektedir. Hâlihazırda sınıflandırma işlemi manuel olarak işçiler ve mekanik araçlar kullanılarak
 yapılmaktadır. İnsan gücü ile sınıflandırma işlemi uzun zaman alan, sıkıcı ve verimi düşük bir süreçtir.
 Bununla birlikte söz konusu işlem gıda hijyeni açısından da riskler taşımaktadır. Diğer taraftan mekanik
 araçlar (titreşim temelli elekler ve iğneli sınıflandırıcılar) istenilen doğrulukta sınıflandırma
 yapamamaktadırlar. Sonuç olarak bilgisayar görü tabanlı tam otomatik bir fıstık sınıflandırıcı sistemine
 gereksinim duyulmaktadır. Bu çalışmamızda, Siirt fıstığının kalite standartlarına göre sınıflandırılması
 işleminde kullanılmak üzere görüntüleri alınan Siirt fıstığı numunelerinden ayrımsallık gücü yüksek
 özniteliklerin çıkarılması için çeşitli imge işleme yöntemlerinin geliştirilmesi hedeflenmiştir. İmgelerden
 çapların oranı, fıstık alanı ve kenar alan oranı öznitelikleri çıkarılmıştır. Elde edilen gürbüz öznitelik
 vektörü çevrim dışı (offline) sınıflandırma işlemine girdi parametresi olarak verilmiştir. TSE standartlarına
 göre fıstıklar, alan uzmanı tarafından danışmalı öğrenme maksadıyla ekstra iri, iri, orta, küçük, kabuk ve
 çatlamamış sınıflarına ayrılmışlardır. Her bir fıstık grubunda 100 adet fıstık olacak şekilde toplam 600 adet
 fıstık numunesinden örüntüler çıkarılmıştır. Çevrimdışı (Offline) sınıflandırmada Naive Bayes, Yapay Sinir
 Ağları (YSA) ve Destek Vektör Makineleri (DVM) algoritmaları kullanılmıştır. Sınıflandırma algoritmaları
 kendi aralarında genel sınıflandırma başarımları ve 2.tip hata (Type II error, severe error, false negative)
 ölçütlerine göre karşılaştırılmıştır. Genel sınıflandırma başarısına göre %83.33 doğruluk oranı ile YSA en
 iyi sınıflandırıcı olarak tespit edilmiştir. 2.tip hata ölçütünde yine YSA ve Naive Bayes sınıflandırıcıları
 seçilmiştir. Sonuç olarak sunulan gürbüz öznitelik vektörü çerçevesinde YSA ve Naive Bayes
 sınıflandırıcılarının fıstık sınıflandırma sistemi için kullanılması önerilmektedir. Yapılan gerçek zamanlı
 testlerde bir fıstık numunesi için öznitelik çıkarımı ve sınıflandırma işlemlerinin süresi toplamda yaklaşık
 314 ms olarak hesaplanmıştır.

Makale detayları

Fıstık sınıflandırma sistemi için Siirt fıstığı imgelerinden gürbüz özniteliklerin çıkarılması

Yazarlar:

Musa ATAŞ

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 1, pp.93-102

Belge Tipi:

Makale

Yayın Tarihi:

5/2016

Belge Dili:

Türkçe

Document ID (Org No.):

2000950775

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640

Görüntü İşleme

Öznitelik çıkarımı

Fıstık sınıflandırma sistemi

Sınıflandırma

Sayı

Makale detayları

Fıstık sınıflandırma sistemi için Siirt fıstığı imgelerinden gürbüz özniteliklerin çıkarılması

Yazarlar: Musa ATAŞ

Yayıncı: Dicle University

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 1, pp.93-102

Belge Tipi: Makale

Yayın Tarihi: 5/2016

Belge Dili: Türkçe

Document ID (Org No.): 2000950775

Sıklık: Üç Aylık

eISSN: 2146-4391

pISSN: 1309-8640

Görüntü İşleme

Öznitelik çıkarımı

Fıstık sınıflandırma sistemi

Sınıflandırma

Sayı

Yazarlar:

Musa ATAŞ

Yayıncı:

Dicle University

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 2016 Vol.7 Issue 1, pp.93-102

Belge Tipi:

Makale

Yayın Tarihi:

5/2016

Belge Dili:

Türkçe

Document ID (Org No.):

2000950775

Sıklık:

Üç Aylık

eISSN:

2146-4391

pISSN:

1309-8640