Detection of Eggshell Defects using Convolutional Neural Networks

Abstract

In commercial egg farming industries, the automatic sorting of defective eggs is economically and healthily important. Nowadays, detect of defective eggs is performed manually. This situation involves time consuming, tiring and complex processes. For all these reasons, automatic classification of defects that may occur on the egg surface has become a very important issue. For this purpose, in this study, classification of egg defects was performed using AlexNet, VGG16, VGG19, SqueezeNet, GoogleNet, Inceptionv3, ResNet18, and Xception architectures, which were developed based on Convolutional Neural Networks (CNN), which provide high performance in object recognition and classification. To test the performance of these architectures, an original data set containing dirty, bloody, cracked, and intact eggs were built. As a result of experimental studies, the highest accuracy score was obtained with VGG19 architecture as 96.25%. In these results, it was observed that ESA methods achieved high success in classifying defective eggs.

Özet

Ticari yumurta çiftliği endüstrilerinde, kusurlu yumurtaların otomatik olarak ayrılması ekonomik ve sağlık açısından önemlidir. Günümüzde, kusurlu yumurtaların tespiti manuel olarak yapılmaktadır. Bu durum, zaman alıcı, yorucu ve karmaşık süreçler içermektedir. Tüm bu nedenlerden dolayı, yumurta yüzeyinde oluşabilecek kusurların otomatik olarak sınıflandırılması oldukça önemli bir konu haline gelmiştir. Bu amaç doğrultusunda, bu çalışmada, nesne tanıma ve sınıflandırma alanlarında yüksek performans sağlayan Evrişimsel Sinir Ağlarına (ESA) dayalı geliştirilen AlexNet, VGG16, VGG19, SqueezeNet, GoogleNet, Inceptionv3, ResNet18 ve Xception mimarileri kullanılarak yumurta kusurlarının sınıflandırılması gerçekleştirilmiştir. Bu mimarilerin performansını test etmek için kirli, kanlı, kırık ve sağlam yumurtaları içeren özgün bir veri seti inşa edilmiştir. Deneysel çalışmalar sonucunda, en yüksek doğruluk skoru VGG19 mimarisi ile %96,25 olarak elde edilmiştir. Bu sonuçlarda, ESA yöntemlerinin kusurlu yumurtaların sınıflandırılmasında yüksek başarı sağladığı gözlenmiştir.