SqueezeNet tabanlı Derin Öznitelik Oluşturucu ile Sebze ve Meyve Görüntü Sınıflandırması

Vegetable and Fruit Image Classification with SqueezeNet based Deep Feature Generator

Özet

Gıda ürünlerinin türlerine göre otomatik sınıflandırılması bilgisayarlı görme alanında sıklıkla karşılaşılan problemlerden biridir. Bu çalışmada, iki farklı sebze ve meyve veri seti kullanılarak otomatik sınıflandırma yapılmıştır. Otomatik meyve ve sebze sınıflandırma problemi için derin öğrenme tabanlı öğrenme aktarımı yaklaşımı kullanılmıştır. Çalışmada kullanılan birinci veri seti (DB1) 21000 görüntüden oluşmaktadır ve ikinci veriseti (DB2) 980 görüntüden meydana gelmektedir. Ayrıca, ilk veri seti 15 sınıftan ve ikinci veri seti 20 sınıftan oluşmaktadır. Geliştirilen derin öğrenme tabanlı makine öğrenmesi modelinde özellik çıkarımı için SqueezeNet mimarisi kullanılmaktadır. Ayrıca özellik seçimi için ReliefF yöntemi kullanılmış ve bu sayede negatif özellikler elimine edilerek en anlamlı özellikler belirlenmiştir. Geliştirilen uygulamanın sınıflandırma fazında Lineer Diskriminant Analizi (LDA) yöntemi tercih edilmiştir. Bu çalışmada, hold-out ve 10-katlamalı çapraz doğrulama teknikleri DB1 için kullanılmıştır. Ayrıca, 10-kat çapraz doğrulama tekniği DB2 için kullanılmıştır. Hem DB1 hem de DB2 için %99 üzerinde bir doğruluk değeri elde edilmiştir. Çalışma kapsamında elde edilen sonuçlar, önerilen yöntemin otomatik sebze sınıflandırmada başarılı bir şekilde kullanılabileceğini göstermektedir.

Abstract

Automatic classification of food products according to their types is one of the most common problems in computer vision. In this paper, 15 different types of vegetables were automatically classified through transfer learning in deep learning. The dataset used in the study is large and consists of 21,000 vegetable images. These images in the dataset are divided into 3 groups as training, testing and validation. Within the scope of the study, all of these groups were combined and a large dataset was obtained. SqueezeNet architecture is used for feature extraction in the developed deep learning-based machine learning model. In addition, the ReliefF method was used for feature selection and the most significant features were determined by eliminating negative features. In the classification phase of the developed application, Linear Discriminant Analysis (LDA) method was preferred. In this study, Hold-Out and 10-fold cross-validation techniques were used. Approximately 99% accuracy value was obtained in both validation techniques. The obtained results of the study show that the proposed method can be used successfully in automatic vegetable classification.