SavedAdd your journal

Journals / Tekirdağ Ziraat Fakültesi Dergisi / 2016 / Cilt: 13 - Sayı: 1

Armut Meyvesinde Diplocarpon Mespili Lezyonlarının Görüntü İşlemeyle Analizi

F. KURTULMUŞ
S ÖZTÜFEKÇİ
S ŞEHİRLİ
Pages
1–11
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)

Geliştirilen yöntem ile armut meyvesinin yüzeyinde gelişimine devam eden ve lezyon çapı gelişen aktif alanların pasif leke alanlarına göre daha yüksek bir doğrulukla saptanabildiği tespit edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Armut ülkemizde iç pazar tüketiminin yanında ihracatı da yapılan önemli bir meyvedir.
📊
Key Findings & Data:Ürünlerin depoya alınmalarından sonra muhafaza süresi içerisinde ürünlerde özellikle latent enfeksiyon kaynaklı fungal gelişimlerin gözlemlenmesi mümkündür.
💡
Conclusion & Impact:Geliştirilen yöntem ile armut meyvesinin yüzeyinde gelişimine devam eden ve lezyon çapı gelişen aktif alanların pasif leke alanlarına göre daha yüksek bir doğrulukla saptanabildiği tespit edilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Armut · görüntü işleme · Diplocarpon mespili

Özet

Armut ülkemizde iç pazar tüketiminin yanında ihracatı da yapılan önemli bir meyvedir. Ürünlerin depoya alınmalarından sonra muhafaza süresi içerisinde ürünlerde özellikle latent enfeksiyon kaynaklı fungal gelişimlerin gözlemlenmesi mümkündür. Hastalık gelişimi için uygun olan muhafaza şartlarında ürünlerde ticari kayba neden olan çürümeler ve deformasyonlar meydana gelebilmektedir. Bunları önlemek için hastalıklı meyvelerin depo koşullarında tespit edilerek izole edilmesi oldukça önemlidir. Bu çalışmada Diplocarpon mespili enfeksiyonu görülen armut meyvelerinin depo koşullarında sağlıklı meyvelere hastalık taşımasının ve inokulum kaynağı olmasının önüne geçilmesi için görüntü işleme yöntemleri ve destek vektör makinesi kullanılarak bir leke analiz algoritması geliştirilmiştir. Geliştirilen yöntem ile armut meyvesinin yüzeyinde gelişimine devam eden ve lezyon çapı gelişen aktif alanların pasif leke alanlarına göre daha yüksek bir doğrulukla saptanabildiği tespit edilmiştir.

🔖

Cite This Article

KURTULMUŞ, F., ÖZTÜFEKÇİ, S., ŞEHİRLİ, S. (2016). Armut Meyvesinde Diplocarpon Mespili Lezyonlarının Görüntü İşlemeyle Analizi. Tekirdağ Ziraat Fakültesi Dergisi, Cilt: 13 - Sayı: 1, 1–11. https://ajindex.com/articles/367031

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Anonim 2015a. TÜİK. Yumuşak çekirdekli meyveler, 1988-2013. Türkiye İstatistik Kurumu İnternet Sitesi. Erişim Tarihi: 13.02.2015. Anonim 2015b. FAO. Dünya Armut Üretim İstatistikleri 2013. FAO İnternet Sitesi. Erişim Tarihi: 13.02.2015.
  2. Blasco, J., Aleixos, N., Gómez, J., Moltó, E. 2007. Citrus sorting by identification of the most common defects using multispectral computer vision. Journal of Food Engineering 83: 384–393.
  3. Gonzalez, R.C., Woods, R.E., Eddins, S.L. 2004. Digital image processing using Matlab. Dorling Kindersley, 2004.
  4. Keuchel, J., Naumann, S., Heiler, M., Siegmund, A. 2003. Automatic land cover analysis for tenerife by supervised classification using remotely sensed data. Remote Sensing of Environment, 86 (4):530-541.
  5. Kılıç, K., Boyacı, İ. H., Köksel H., Küsmenoğlu İ. 2007. A classification system for beans using computer vision system and artificial neural networks. Journal of Food Engineering 78:897-904.
  6. Leiva, G., Mondragón, G., Mery, D., Aguilera, J.M. 2011. The automatic sorting using image processing improves postharvest blueberries storage quality. Proceedings of International Congress on Engineering and Food, Athens, Greece, Vol 1, 279-280.
  7. Li, J., Rao, X., Wang, F., Wu, W. Ying, Y. 2013. Automatic detection of common surface defects on oranges using combined lighting transform and image ratio methods. Postharvest Biology and Technology 82:59-69.
  8. Oliphant, T.E. 2007. Python for scientific computing. Computing in Science and Engineering, 9(3), 10-20.
  9. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. 2011. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
  10. Russ, J.C. 2011. The image processing handbook. CRC Press, 838 pp. Scikit-image, 2014. Image processing in Python. www.scikit-image.org. Erişim Tarihi: 17.11.2014.
  11. Sezgin, M., Sankur, B. 2004. Survey over image thresholding techniques and quantitative performance evaluation Journal of Electronic Imaging, 13 (1), pp. 146–165.
  12. Vapnik, V. 1995. The nature of statistical learning theory. Springer-Verlag, New York, 314 pp. Wellner, P. 1993, "Adaptive Thresholding for the DigitalDesk" Rank Xerox Technical Report EPC-1993-110.
  13. Zhongzhi, H., Jing, L., Yougang, Z., Yanzhao, L. 2012. Grading System of Pear’s Appearance Quality Based on Computer Vision. International Conference on S