KaydedilenlerDerginizi ekleyin

Dergiler / Tarım Makinaları Bilimi Dergisi / 2016 / Cilt: 12 - Sayı: 2

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

Kadir SABANCI
Muhammed Fahri ÜNLERŞEN
Yusuf DİLAY
Sayfa
133–139
Yayın Tarihi
2016-10-14
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Renk sınıflandırma da iseMLPClassifier algoritması %97.78 başarı oranı, 0.1004 MAE ve 0.1370 RMSE değerleri ile en başarılısınıflandırmayı gerçekleştirmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada karaman yöresinde yetişen elma çeşitlerinin renk ve boyut parametrelerinegöre sınıflandırılması yapılmıştır.
📊
Temel Bulgular & Veri:Bu çalışmada 50 Golden Delicious, 50 Granny Smith ve 50 StarkingDelicious elma türünden toplamda 150 görüntü alınmıştır.
💡
Sonuç & Katkı:Renk sınıflandırma da iseMLPClassifier algoritması %97.78 başarı oranı, 0.1004 MAE ve 0.1370 RMSE değerleri ile en başarılısınıflandırmayı gerçekleştirmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüntü işleme · elma · sınıflandırma

Özet

Bu çalışmada karaman yöresinde yetişen elma çeşitlerinin renk ve boyut parametrelerinegöre sınıflandırılması yapılmıştır. Bu çalışmada 50 Golden Delicious, 50 Granny Smith ve 50 StarkingDelicious elma türünden toplamda 150 görüntü alınmıştır. Görüntüler kendi aydınlatması bulunan vehareketli bir bant üzerine yerleştirilmiş kutu içerisinde DFK 23U445 USB 3.0 (Fujinon C MountLensli) endüstriyel kamera kullanılarak alınmıştır. Görüntüler MATLAB üzerinde geliştirilmiş olan birgrafik kullanıcı ara yüzü ile alınmıştır. Alınan görüntüler üzerinde MATLAB yazılımı kullanılarakgörüntü işleme teknikleri uygulanmıştır. Elmalara ait birçok morfolojik parametre görüntü işlemealgoritmaları yardımıyla elde edilmiştir. Ayrıca elmaların gövdelerinin ortalama kırmızı, yeşil ve mavikanal 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 amacıylakullanılmıştır. Bu sınıflandırmada BayesNet, NaiveBayes, KStar, SMO, RBFNetwork, RBFClassifier,MLPClassifier, J48, RandomTree ve RandomForest algoritmaları kullanılmıştır. Bu algoritmalararasında boyuta göre sınıflandırmada J48 algoritması %95.56 başarı oranı, 0.0476 MAE ve 0.1675RMSE değerleri ile en başarılı sınıflandırmayı gerçekleştirmiştir. Renk sınıflandırma da iseMLPClassifier algoritması %97.78 başarı oranı, 0.1004 MAE ve 0.1370 RMSE değerleri ile en başarılısınıflandırmayı gerçekleştirmiştir.

🔖

Bu Makaleye Atıf Yap

SABANCI, K., ÜNLERŞEN, M. F., DİLAY, 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/260318

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  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,
  2. Brazil. 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. Kavdir I, Guyer DE (2004). Comparison of artificial neural networks and statistical classifiers in apple sorting using textural features. Biosystems Engineering, 89: 331–344.
  4. Keefe PD (1992). A Dedicated Wheat Grain Image Analyzer. Plant Varieties And Seeds 5: 27-33.
  5. 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.
  6. 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.
  7. Liming X.and Yanchao Z. (2010). Automated Strawberry Grading System Based on Image Processing. Computers and Electronics in Agriculture, 71:32-39
  8. 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. Puchalski C, Gorzelany J, Zagula G, Brusewitz G (2008). Image analysis for apple defect detection. Teka Kom. Mot. Energ. Roln, 8: 197–205.
  9. 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.
  10. 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,
  11. Samsun. 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. 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.
  12. Tonguç G (2007). Görüntü Işleme Teknikleri Kullanilarak Meyve Tasnifi, Yüksek Lisans Tezi, 90s, Isparta Trooien TP and Heermann DF (1992). Me