SavedAdd your journal

Journals / Tarım Makinaları Bilimi Dergisi / 2016 / Cilt: 12 Sayı: 2

Karaman Yöresinde Yetiştirilen Elma Çeşitlerinin Sınıflandırma Parametrelerini Görüntü İşleme Teknikleri Kullanarak Belirlenmesi

Kadir Sabancı
Muhammed Fahri Ünlerşen
Yusuf Dilay
Pages
133–139
Publication Date
2016-10-14
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Renk sınıflandırma da ise MLPClassifier algoritması %97.78 başarı oranı, 0.1004 MAE ve 0.1370 RMSE değerleri ile en başarılı sınıflandırmayı gerçekleştirmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada karaman yöresinde yetişen elma çeşitlerinin renk ve boyut parametrelerine göre sınıflandırılması yapılmıştır.
📊
Key Findings & Data:Bu çalışmada 50 Golden Delicious, 50 Granny Smith ve 50 Starking Delicious elma türünden toplamda 150 görüntü alınmıştır.
💡
Conclusion & Impact:Renk sınıflandırma da ise MLPClassifier algoritması %97.78 başarı oranı, 0.1004 MAE ve 0.1370 RMSE değerleri ile en başarılı sınıflandırmayı gerçekleştirmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Görüntü işleme · elma · sınıflandırma

Özet

Bu çalışmada karaman yöresinde yetişen elma çeşitlerinin renk ve boyut parametrelerine göre sınıflandırılması yapılmıştır. Bu çalışmada 50 Golden Delicious, 50 Granny Smith ve 50 Starking Delicious elma türünden toplamda 150 görüntü alınmıştır. Görüntüler kendi aydınlatması bulunan ve hareketli bir bant üzerine yerleştirilmiş kutu içerisinde DFK 23U445 USB 3.0 (Fujinon C Mount Lensli) endüstriyel kamera kullanılarak alınmıştır. Görüntüler MATLAB üzerinde geliştirilmiş olan bir grafik kullanıcı ara yüzü ile alınmıştır. Alınan görüntüler üzerinde MATLAB yazılımı kullanılarak görüntü işleme teknikleri uygulanmıştır. Elmalara ait birçok morfolojik parametre görüntü işleme algoritmaları yardımıyla elde edilmiştir. Ayrıca elmaların gövdelerinin ortalama kırmızı, yeşil ve mavi kanal bilgileri elde edilmiştir. Bu özellikler kullanılarak elmalar büyük, orta, küçük ve kırmızı, sarı, yeşil şeklinde sınıflandırılmıştır. Elde edilmiş 150 örneğin 60 tanesi eğitim 90 tanesi ise test amacıyla kullanılmıştır. Bu sınıflandırmada BayesNet, NaiveBayes, KStar, SMO, RBFNetwork, RBFClassifier, MLPClassifier, J48, RandomTree ve RandomForest algoritmaları kullanılmıştır. Bu algoritmalar arasında boyuta göre sınıflandırmada J48 algoritması %95.56 başarı oranı, 0.0476 MAE ve 0.1675 RMSE değerleri ile en başarılı sınıflandırmayı gerçekleştirmiştir. Renk sınıflandırma da ise MLPClassifier algoritması %97.78 başarı oranı, 0.1004 MAE ve 0.1370 RMSE değerleri ile en başarılı sınıflandırmayı gerçekleştirmiştir.

🔖

Cite This Article

Sabancı, K., Ünlerşen, M. F., Dilay, Y. (2016). Karaman Yöresinde Yetiştirilen Elma Çeşitlerinin Sınıflandırma Parametrelerini Görüntü İşleme Teknikleri Kullanarak Belirlenmesi. Tarım Makinaları Bilimi Dergisi, Cilt: 12 Sayı: 2, 133–139. https://ajindex.com/articles/1277053

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Bacci L, Colucci BR and Novaro P (2002). Durum Wheat Quality Evaluation Software”. Proceedings of The World Congress of Computers in Agriculture And Natural Resources, 49-55, Brazil.
  2. Bennedsen B, Peterson D, Tabb A (2005). Identifying defects in images of rotating apples. Computers and Electronics in Agriculture, 48: 92-102.
  3. Kabaş Ö, Özmerzi A (2010). Balo Tipi Dolmalık Biberin Bazı Fiziksel Özelliklerinin Görüntü İşleme Yöntemiyle Belirlenmesi, 26.Tarımsal Mekanizasyon Ulusal Kongresi 22-23 Eylül 2010-HATAY.
  4. Kavdir I, Guyer DE (2004). Comparison of artificial neural networks and statistical classifiers in apple sorting using textural features. Biosystems Engineering, 89: 331–344.
  5. Keefe PD (1992). A Dedicated Wheat Grain Image Analyzer. Plant Varieties And Seeds 5: 27-33.
  6. Kim M, Lefcourt A, Chen Y, Tao Y (2005). Automated detection of fecal contamination of apples based on multispectral fluorescence image fusion. Journal of Food Engineering, 71: 85–91.
  7. Kleynen O, Leemans V, Destain M (2005). Development of a multi-spectral vision system for the detection of defects on apples. Journal of Food Engineering, 69: 41–49.
  8. Liming X.and Yanchao Z. (2010). Automated Strawberry Grading System Based on Image Processing. Computers and Electronics in Agriculture, 71:32-39 Neuman MR, Sapirstein HD, Shwedyk E and Bushuk W (1989). Wheat Grain Colour Analysis By Digital Image Processing. II. Wheat Class Discrimination. Journal Of Cereal Science 10: 183- 188.
  9. Puchalski C, Gorzelany J, Zagula G, Brusewitz G (2008). Image analysis for apple defect detection. Teka Kom. Mot. Energ. Roln, 8: 197–205.
  10. Rashidi M, Seyfi K and Gholami M (2007). Determination of Kiwi fruit Volume Using Image Processing. Journal of Agricultural and Biological Science, 2(6):17-22.
  11. Sabancı K, Aydın C ve Ünlerşen F (2011). Buğday Tohumuna Karışan Yabani Çavdar Tohumlarının Yapay Sinir Ağlarıyla Tespit Edilmesi, Türkiye IV. Tohumculuk Kongresi, 19 Mayıs Üniversitesi, 14-17 Haziran 2011, Samsun.
  12. Sadrnia H, Rajabipourl A, Jafary A, Javadi A and Mostofi Y (2007). Classification and Analysis of Fruit Shapes in Long Type Watermelon Using Image Processing. International Journal of Agriculture & Biology 9 (1):68- 70.
  13. Shouche SP, Rastogi RS, Bhagwat G and Sainis JK (2001). Shape Analysis of Grains of Indian Wheat Varieties. Computers And Electronics in Agriculture 33: 55-76. Tonguç G (2007). Görüntü Işleme Teknikleri Kullanilarak Meyve Tasnifi, Yüksek Lisans Tezi, 90s, Isparta
  14. Trooien TP and Heermann DF (1992). Measurement And Simulation of Potato Leaf Area Using Image Processing. Model Development. Transactions Of The ASAE 35(5): 1709-1712.
  15. Unay D, Gosselin B, Kleynen O, Leemans V, Destain M, Debeir O (2010). Automatic Grading Of Bi- Colored Apples By Multispectral Machine Vision. Computers and Electronics in Agriculture, 75: 204-212.