AI Summary & Key Takeaways
AI InsightThe analysis of the experimental findings indicates that the “Convolutional Neural Network (CNN)” surpasses the other models in performance.
📌 3 Key Takeaways
Abstract
The utilization of computer vision and automation for monitoring and collecting eggs is crucial for enhancing labor productivity. Deep learning and computer vision techniques have been extensively adopted by researchers and developers in diverse fields. This study proposes an efficient and lightweight network model utilizing YOLO V8. Rather than integrating many attributes simultaneously, the majority of research concentrate on a singular attribute, such as size or kind. This thesis presents an enhanced model that considers various egg types and their distinct conditions. Our methodology comprises three primary stages: the initial stage involves image preprocessing and augmentation techniques, including image cropping; the second stage employs YOLOv8 detection algorithms; and the last stage applies deep learning approaches to enhance classification accuracy. This is succeeded by a comparative analysis of algorithm performance in detection and classification according to diverse criteria. Upon examining the literature, we found that most research in this domain has concentrated on a particular type or a restricted range of egg states (e.g., intact or broken) (e.g., classification of chicken or duck eggs). This study involved the combination of chicken eggs (both intact and broken), duck eggs, and quail eggs. This study preserves elevated detection accuracy while diminishing the model's parameter count and computational burden. This method reduces deployment expenses and improves its suitability for robotic platforms. This study will identify a classification model to categorize five types of eggs and assess the efficacy of the of the CNN model against five other models: “Random Forest”, “K-Nearest Neighbors (KNN)”, “XGBoost”, “ResNet50”, and “VGG16”, datasets was organized into “training”, “validation”, and “test” sets and the number of images it between 1000 -1200 images. The analysis of the experimental findings indicates that the “Convolutional Neural Network (CNN)” surpasses the other models in performance. It is succeeded by the VGG16 and XGBoost models. The CNN model is distinguished by its lightweight architecture, minimal parameter count, and rapid performance. Conversely, the VGG16 model ranks second .The system's predictive capabilities, encompassing egg classification, attain an exceptional accuracy rate of 98% after processing .
Özet
Yumurtaların izlenmesi ve toplanması için bilgisayarla görme ve otomasyonun kullanılması, işgücü verimliliğinin artırılması için çok önemlidir. Derin öğrenme ve bilgisayarla görme teknikleri, araştırmacılar ve geliştiriciler tarafından çeşitli alanlarda yaygın olarak benimsenmiştir. Bu çalışma, YOLO V8 kullanan verimli ve hafif bir ağ modeli önermektedir. Araştırmaların çoğu, birçok niteliği aynı anda entegre etmek yerine, boyut veya tür gibi tek bir niteliğe odaklanmaktadır. Bu tez, çeşitli yumurta türlerini ve bunların farklı koşullarını dikkate alan geliştirilmiş bir model sunmaktadır. Metodolojimiz üç ana aşamadan oluşmaktadır: ilk aşama görüntü kırpma dahil olmak üzere görüntü ön işleme ve büyütme tekniklerini içerir; ikinci aşama YOLOv8 tespit algoritmalarını kullanır; ve son aşama sınıflandırma doğruluğunu artırmak için derin öğrenme yaklaşımlarını uygular. Bunu, algılama ve sınıflandırmadaki algoritma performansının çeşitli kriterlere göre karşılaştırmalı bir analizi takip etmektedir. Literatürü incelediğimizde, bu alandaki araştırmaların çoğunun belirli bir tür veya sınırlı bir yumurta durumu (örneğin, sağlam veya kırık) üzerinde yoğunlaştığını gördük (örneğin, tavuk veya ördek yumurtalarının sınıflandırılması). Bu çalışmada tavuk yumurtası (hem sağlam hem de kırık), ördek yumurtası ve bıldırcın yumurtası bir arada kullanılmıştır. Bu çalışma, modelin parametre sayısını ve hesaplama yükünü azaltırken yüksek tespit doğruluğunu korur. Bu yöntem, dağıtım masraflarını azaltır ve robotik platformlar için uygunluğunu artırır. Bu çalışma, beş yumurta türünü kategorize etmek için bir sınıflandırma modeli belirleyecek ve CNN modelinin performansını diğer beş modele karşı değerlendirecektir: “Random Forest”, ‘K-Nearest Neighbors (KNN)’, ‘XGBoost’, ‘ResNet50’ ve ‘VGG16’. Veri kümesi eğitim, doğrulama ve test kümeleri olarak düzenlenmiştir ve görüntü sayısı 1000-1200 arasında olup. Deneysel bulguların analizi, Evrişimsel Sinir Ağının (CNN) performans açısından diğer modelleri geride bıraktığını göstermektedir. Bunu VGG16 ve XGBoost modelleri takip etmektedir. CNN modeli hafif mimarisi, minimum parametre sayısı ve hızlı performansı ile öne çıkmaktadır. Buna karşılık, VGG16 modeli ikinci sırada yer almaktadır. Sistemin yumurta sınıflandırmasını da kapsayan tahmin yetenekleri, işlendikten sonra %98 gibi olağanüstü bir doğruluk oranına ulaşıyor.