KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Mühendislik Bilimleri Dergisi / 2023 / Cilt: 9 Sayı: 2

Evrişimli Sinir Ağı Kullanarak Tarımsal Görüntülerdeki Bozulmaları Sınıflandırma

Classification of Distortions in Agricultural Images Using Convolutional Neural Network

Şafak ALTAY AÇAR
Sayfa
174–182
Yayın Tarihi
2023-08-31
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)

Sonuçlar değerlendirilmiş ve tasarlanan ESA modelinin bozulmaları başarıyla sınıflandırdığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Ürünlerin izlenmesi, etkili bir tarımsal üretim sürecinde kalite ve olgunlaşma kontrolü için önemlidir.
📊
Temel Bulgular & Veri:Bu görüntü ve videoların kalitesi değerlendirmeyi doğrudan etkilemektedir.
💡
Sonuç & Katkı:Sonuçlar değerlendirilmiş ve tasarlanan ESA modelinin bozulmaları başarıyla sınıflandırdığı görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Bozulma sınıflandırma · tarımsal görüntü · evrişimli sinir ağı

Özet

Ürünlerin izlenmesi, etkili bir tarımsal üretim sürecinde kalite ve olgunlaşma kontrolü için önemlidir. İzleme, gelişen teknolojiye uygun olarak çoğunlukla çekilen görüntü ve videolarla yapılmaktadır. Bu görüntü ve videoların kalitesi değerlendirmeyi doğrudan etkilemektedir. Görüntü veya video da bir bozulma varsa, öncelikle bu bozulmanın ortadan kaldırılması için tespit edilmesi ve sınıflandırılması gerekmektedir. Bu çalışmada, tarımsal görüntülerdeki bozulmaları sınıflandırılmak için bir yöntem sunulmaktadır. On bir farklı bozulma tarımsal görüntülere sentetik olarak eklenmiştir. Bozuk görüntüleri sınıflandırmak için bir evrişimli sinir ağı (ESA) tasarlanmıştır. Tasarlanan ESA modeli, çeşitli tarım alanlarından elde edilen dört farklı veri seti ile test edilmiştir. Ayrıca tasarlanan ESA modeli daha önce sunulan ESA mimarileri ile karşılaştırılmıştır. Sonuçlar değerlendirilmiş ve tasarlanan ESA modelinin bozulmaları başarıyla sınıflandırdığı görülmüştür.

Abstract

Monitoring products is important for quality and ripening control in an efficient agricultural production process. Monitoring is mostly done with captured images and videos in accordance with the developed technology. The quality of these images and videos directly affects the evaluation. If there is a distortion in image or video, first of all, this distortion must be detected and classified to eliminate. In this study, a method is presented to classify distortions in agricultural images. Eleven different distortions are synthetically added to agricultural images. A convolutional neural network (CNN) is designed to classify distorted images. The designed CNN model is tested with four different datasets obtained from various agricultural fields. Also the designed CNN model is compared with previously presented CNN architectures. The results are evaluated and it is seen that the designed CNN model successfully classifies distortions.

🔖

Bu Makaleye Atıf Yap

AÇAR, Ş. A. (2023). Evrişimli Sinir Ağı Kullanarak Tarımsal Görüntülerdeki Bozulmaları Sınıflandırma. Gazi Mühendislik Bilimleri Dergisi, Cilt: 9 Sayı: 2, 174–182. https://ajindex.com/articles/960498

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (5)

  1. A. Chetouani, A. Beghdadi and M. Deriche, “A hybrid system for distortion classification and image quality evaluation,” Signal Processing: Image Communication, vol. 27, no. 9, pp. 948-960, October 2012. doi:10.1016/j.image.2012.06.001 [2] J.-Y. Lee and Y.-J. Kim, “Optimal image quality assessment based on distortion classification and color perception,” KSII Transactions on Internet and Information Systems, vol. 10, no. 1, pp. 257-271, January 2016. doi:10.3837/tiis.2016.01.015 [3] O. Alaql, K. Ghazinour and C. C. Lu, “Classification of image distortions for image quality assessment,” in Proc. of International Conference on Computational Science and Computational Intelligence, 15-17 December 2016,
  2. Las Vegas, NV, USA [Online]. Available: IEEE Xplore, https://ieeexplore.ieee.org/document/7881422. [Accessed: 20 Sept. 2022]. [4] H. Wang, L. Zuo and J. Fu, “Distortion recognition for image quality assessment with convolutional neural network,” in Proc. of IEEE International Conference on Multimedia and Expo, 11- 15 July 2016,
  3. Seattle, WA, USA [Online]. Available: IEEE Xplore, https://ieeexplore.ieee.org/abstract/document/7552936. [Accessed: 20 Sept. 2022]. [5] H. Al-Bandawi and G. Deng, “Classification of image distortion based on the generalized Benford’s law,” Multimedia Tools and Applications, vol. 78, pp. 25611-25628, May 2019. doi:10.1007/s11042-019-7668-3 [6] M. Ha, Y. Byun, J. Kim, J. Lee, Y. Lee and S. Lee, “Selective deep convolutional neural network for low cost distorted image classification,” IEEE Access, vol 7, pp. 133030-133042, September 2019. doi:10.1109/ACCESS.2019.2939781 [7] O. Messai, F. Hachouf and Z. A. Seghir, “Automatic distortion type recognition for stereoscopic images,” in Proc. of International Conference on Advanced Electrical Engineering, 19-21 November 2019,
  4. Algiers, Algeria [Online]. Available: IEEE Xplore, https://ieeexplore.ieee.org/document/9015082. [Accessed: 20 Sept. 2022]. [8] M. Buczkowski and R. Stasiński, “Convolutional neural network-based image distortion classification,” in Proc. of International Conference on Systems, Signals and Image Processing, 5-7 June 2019,
  5. Osijek, Croatia [Online]. Available: IEEE Xplore, https://ieeexplore.ieee.org/document/8787212. [Accessed: 20 Sept. 2022]. [9] D. Liang, X. Gao, W. Lu and L. He, “Deep multi-label learning for image distortion identification,” Signal Processing, vol. 172, p. 107536, July 2020. doi:10.1016/j.sigpro.2020.107536 [10] Z. A. Khan, A. Beghdadi, M. Kaaniche and