Mehmet DERSUNELİ, Taner GÜNDÜZ, Yakup KUTLU

Bul-Tak Oyuncağı Şekillerinin Klasik Görüntü İşleme ve Derin Öğrenme Yöntemleri ile Tespiti

Bilgisayar görme algoritmaları, teknolojinin ilerlemesiyle daha kullanılır hale gelmektedir. Klasik yöntemler olan görüntü işleme ve makine öğrenmesi algoritmaları ile yapılan bilgisayarlı görü uygulamaları halen kullanılsa da gürültüler veya istenmeyen ortam değişimleri etkisini sonuçlar üzerinde göstermektedir. Bu çalışmada, bir robotu hareket ettirmek için bilgisayar görme işleminin tepki hızının basit bir problemde nasıl cevap vereceği görülmek istenmiştir. Bu amaçla klasik makine öğrenme yöntemleri ve derin öğrenme algoritmalarından oluşan iki farklı yöntem ile 3 boyutlu geometrik şekiller içeren bul-tak oyuncağı üzerinde nesne tespit işlemi gerçekleştirilmiştir. Klasik yöntemde iki farklı algoritmada görüntü işleme ile elde edilen öznitelikler k-NN algoritması ile sınıflandırılmış, derin öğrenme yönteminde ise nesne tespiti için özelleşmiş olan Yolov4 algoritması kullanılmıştır. Deney ortamında klasik görüntü işleme yöntemi siyah arka planlı test veri setinde %100 başarım sağlarken, farklı renk ve desende arka plana sahip ikinci test veri setinde başarım %86,25’e düşmüştür. Yolov4 derin öğrenme yöntemi algoritması ise her iki veri setinde de %100 başarıma ulaşmıştır. Algoritmalar gerçek zamanlı kamera görüntüsü üzerinde çalıştırıldığında klasik yöntem siyah arka planlı bir kare görüntüde 0,06sn’de, farklı renk ve desende arka plana sahip bir kare görüntüde ise 0,04sn’de nesne tespiti yaparken, Yolov4 yöntemi 1,06sn’de nesne tespit işlemi gerçekleştirmiştir.

Detection of Find-Plug Toy Shapes with Classical Image Processing and Deep Learning Methods

Computer vision algorithms are becoming more usable with the advancement of technology. Although computer vision applications with classical methods of image processing and machine learning algorithms are still used, noises or undesirable environment changes show their effects on the results. In this study, we wanted to see how the response speed of computer vision to move a robot would respond in a simple problem. For this purpose, object detection was carried out on the find-and-tack toy containing 3D geometric shapes with two different methods consisting of classical machine learning methods and deep learning algorithms. In the classical method, the features obtained by image processing in two different algorithms are classified with the k-NN algorithm, while the Yolov4 algorithm, which is specialized for object detection, is used in the deep learning method. In the experimental environment, the classical image processing method provided 100% performance in the test dataset with a black background, while the performance decreased to 86.25% in the second test dataset with a different color and patterned background. The Yolov4 deep learning method algorithm, on the other hand, achieved 100% success in both data sets. When the algorithms are run on the real-time camera image, the classical method detects objects in 0.06 sec on a square image with a black background, and 0.04 sec on a square image with a different color and patterned background, while the Yolov4 method takes 1.06 sec. object detection has been performed.

PDF

___

[1] İşçimen B., Atasoy H., Kutlu Y., Yıldırım S., Yıldırım E. 2015. Smart robot arm motion using computer vision. Elektronika Ir Elektrotechnika, 21 (6): 3-7.
[2] İşçimen B., Atasoy H., Kutlu Y., Yıldırım S., Yıldırım E. 2014. Bilgisayar Görmesi ve Gradyan İniş Algoritması Kullanılarak Robot Kol Uygulaması. Akıllı Sistemlerde Yenilikler Ve Uygulamaları, Mustafa Kemal University, İskenderun, Hatay, Turkey.
[3] Kutlu Y., Alanoglu Z., Gökçen A., Yeniad M. 2021. Raspberry pi based intelligent robot that recognizes and places puzzle objects. arXiv preprint arXiv:2101.12584.
[4] Ali H., Seng T. C., Hoi L. H., Elshaikh M. 2012. Development of Vision-Based Sensor of Smart Gripper for Industrial Applications. IEEE 8th International Colloquium on Signal Processing and its Applications, 23-25 March, Malacca, 300-304.
[5] Erdoğan T. 2012. Hareketli Konveyor Üzerinde Kamera Görüntüsü ile Nesne Tanıma ve Nesneleri Yerine Koyma Uygulaması. Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir, 1-93.
[6] Rege S., Memane R., Phatak M., Agarwal P. 2013. 2D geometric shape and color recognition using digital image processing. International journal of advanced research in electrical, electronics and instrumentation engineering, 2(6): 2479-2487.
[7] Gupta S., Singh Y. J. 2017. Shape detection using geometrical features. An International Journal of Engineering Sciences, 26(1): 260-270.
[8] Zakaria M. F., Choon H. S., Suandi S. A. 2012. Object shape recognition in image for machine vision application. International Journal of Computer Theory and Engineering, 4(1): 76-80.
[9] Aktaş A., Doğan B., Demir Ö. 2020. Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3): 1685-1700.
[10] Chen W., Lu S., Liu B., Li G., Qian T. 2020. Detecting citrus in orchard environment by using improved YOLOv4. Scientific Programming, 2020: 1-13.
[11] Akgül T., Çalik N., Töreyın B. U. 2020. Deep Learning-Based Fish Detection in Turbid Underwater Images. 28th Signal Processing and Communications Applications Conference (SIU), 5-7 Oct, Gaziantep, 1-4.
[12] Kılıç B. 2020. Panorama ile Üretilen Plevral Efüzyon Sitopatoloji Görüntüleri Üzerinde Yolov3 ile Otomatik Çekirdek Algılama. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Trabzon, 1-50.
[13] Cağıl G., Yıldırım B. 2020. Bir montaj parçasının derin öğrenme ve görüntü işleme ile tespiti. Zeki Sistemler Teori ve Uygulamaları Dergisi, 3(2): 31-37.
[14] Bradski G., Kaehler A. 2008. Learning OpenCV: Computer Vision with the OpenCV Library. O'Reilly Media, Sebastopol, 1-580.
[15] HSV color, 2010. HSV color solid cylinder saturation gray, https://commons.wikimedia.org/w/index.php?curid=9801673. (Erişim Tarihi: 25.11.2020).
[16] Bochkovskiy A. 2020. Yolo v4, v3 and v2 for Windows and Linux. https://github.com/AlexeyAB/darknet. (Erişim Tarihi: 15.11.2020).
[17] Cover T. M., Hart P. E. 1967. Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13 (1): 21-27.
[18] Yayik A., Kutlu Y. 2012. Diagnosis of Congestive Heart Failure Using Poincare Map Plot. 20th Signal Processing and Communications Applications Conference (SIU),18 - 20 April, Muğla, 1-4.