Yumurtaların Çevrimiçi bir Destek Vektör Makinesi Kullanılarak Sınıflandırılması

Yumurta, beslenmedeki en önemli protein kaynakları arasında yer alır ve bu nedenle yumurta üretim endüstrisi birçok ülkedeki en büyük endüstrilerden biridir. Yumurtaların otomatik olarak sınıflandırılması yumurta üretim sürecini geliştirmek ve hızlandırmak için önemlidir. Bu hijyenik üretim ortamı açısından da önemlidir. Bu çalışma, yumurtaların derecelerine göre sınıflandırılması için farklı bir yaklaşım önermektedir. Bir çevrimiçi destek vektör makinesi yumurta çiftleriyle çalışacak şekilde uyarlanmıştır. Bu eşli model, bir çiftin pozitif bir çift olup olmadığını belirleyebilir; burada, aynı sınıftaki iki yumurta tarafından oluşturulan çift pozitif bir çift ve farklı sınıflardan gelen iki yumurta tarafından oluşturulan çift ise negatif bir çifttir. Bu yaklaşımın ve klasik DVM'nin sınıflandırma performansları karşılaştırılmış ve sonuçlar eşli yaklaşımın klasik DVM'den anlamlı ölçüde daha iyi olduğunu göstermektedir

Eggs’ Grade Classification using an Online Pairwise Support Vector Machine

Egg is among the most important sources of protein in nutrition, thus egg production industry is one of the largest industries in many countries. Accurate automatic grading of eggs from poultry is critical for improving and speeding up the egg production process. This is also important in terms of hygienic production environment. This paper proposes a different approach for classification of eggs into grades. An online support vector machine is adapted to work with pairs of eggs. This pairwise model is able to identify whether a pair is a positive pair or not, where a positive pair formed by two eggs from the same grade and a negative pair formed by two eggs from different grades. Classification performances of this approach and classical SVM are compared and results indicate that the pairwise setting outperforms the classical SVM significantly. © Afyon Kocatepe Üniversitesi

PDF

___

Arivazhagan, S., Shebiah, R.N., Sudharsan, H., Kannan, R.R., Ramesh, R., 2013. External and internal defect detection of egg using machine vision. Journal of Emerging Trends in Computing and Information Sciences, 4(3), 257-262.
Basilico, J., Hofmann, T., 2004. Unifying collaborative and content-based filtering. In: Proceedings of the twentyfirst international conference on Machine learning, ICML '04, pp. 9-. ACM, New York, NY, USA. Ben-Hur, A., Noble, W., 2005. Kernel methods for predicting protein-protein interactions. Bioinformatics 21(suppl 1), i38-i46.
Bottou, L., LeCun, Y., 2004. Large scale online learning. In: S. Thrun, L. Saul, B. Schölkopf (eds.) Advances in Neural Information Processing Systems, 16. MIT Press, Cambridge, MA.
Dehrouyeh, M., Omid, M., Ahmadi, H., Mohtasebi, S., Jamzad, M., 2010. Grading and quality inspection of defected eggs using machine vision. International Journal of Advanced Science and Technology, 17, 23-31.
Ibrahim, R., Zin, Z.M., Nadzri, N., Shamsudin, M., Zaunidin, M., 2012. Egg's grade classification and dirt inspection using image processing techniques. In: Proceedings of the World Congress on Engineering, 2.
Kashima, H., Oyama, S., Yamanishi, Y., Tsuda, K., 2009. On Pairwise Kernels: An Efficient Alternative and Generalization Analysis. In: Proceedings of the 13th Pacific-Asia Conference on Advances in Knowledge Discovery and Data Mining, PAKDD '09, pp. 1030-1037.
Springer-Verlag, Berlin, Heidelberg. Lin, H., Zhao, J.W., Chen, Q.S., Cai, J.R., Zhou, P., 2009. Eggshell crack detection based on acoustic impulse response and supervised pattern recognition. Czech Journal Food Science, 27(6), 393-402.
Lunadei, L., Ruiz-Garcia, L., Bodria, L., Guidetti, R., 2012. Automatic identification of defects on eggshell through a multispectral vision system. Food and Bioprocess Technology, 5(8), 3042-3050.
Mansoory, M.S., Ashtiyani, M., Sarabadani, H., 2011. Automatic crack detection in eggshell based on susan edge detector using fuzzy thresholding. Modern Applied Science, 5(6), 117.
Mertens, K., De Ketelaere, B., Kamers, B., Bamelis, F., Kemps, B., Verhoelst, E., De Baerdemaeker, J., Decuypere,E., 2005. Dirt detection on brown eggs by means of color computer vision. Poultry science, 84(10), 1653-1659.
Oyama, S., Manning, C.D., 2004. Using feature conjunctions across examples for learning pairwise classifiers. In: 15thEuropean Conference on Machine Learning (ECML2004).
Patel, V., McClendon, R., Goodrum, J., 1998. Color computer vision and artificial neural networks for the detection of defects in poultry eggs. In: Artificial Intelligence for Biology and Agriculture, pp. 163-176. Springer.
Platt, J.C., 1999. 12 fast training of support vector machines using sequential minimal optimization.
Vert, J.P., Qiu, J., Noble, W., 2007. A new pairwise kernel for biological network inference with support vector machines.BMC Bioinformatics, 8(Suppl 10), S8.