Faster R-CNN Kullanarak Elmalarda Çürük Tespiti

Bu çalışmada, elmalardan alınan görüntüler üzerinde evrişimsel sinir ağı yöntemlerinden olan Faster R-CNN kullanılarak elmaların çürük ve sağlam olarak sınıflandırılması amaçlanmaktadır. Önerilen modelde işlem adımları sırasıyla görüntü alma-önişleme, çürük bölgelerin tespit edilmesi ve elmaların sınıflandırması şeklindedir. Görüntü alma-önişleme aşamasında, tasarlanan bir görüntü alma platformu içerisinde bulunan NIR kamera kullanılmıştır. Çalışmada 100’ü çürük ve 100’ü sağlam olan toplam 200 adet elmanın her birinin 6 farklı açısından toplam 1200 adet görüntü elde edilmiştir. Önişleme aşamasında, bu görüntülere sırasıyla uyarlamalı histogram eşitleme, kenar bulma, morfolojik işlemler uygulanmıştır. Önişlem uygulanarak görünürlüğü iyileştirilen yeni görüntüler kullanılarak eğitilen Faster R-CNN modeli ile çürük bölgeler tespit edilmiştir. Sınıflandırma aşamasında, çürük ve sağlam elmaların tespit edilmesinde %84,95 doğru sınıflandırma oranına ulaşılmıştır. Sonuç olarak, önerilen modelin meyve suyu gıda sanayisinde çürük ve sağlam elmaların otomatik olarak tespit edilmesinde kullanılabileceği düşünülmektedir.

Anahtar Kelimeler:

Çürük elma tespiti, görüntü işleme, sınıflandırma, evrişimsel sinir ağı, Faster R-CNN

Bruise Detection Using Faster R-CNN

In this study, it is aimed to classify of the apples as bruised and robust by using Faster R-CNN which is one of the convolutional neural network methods on images taken from apple fruit. In the proposed model, the process steps are the image acquisition-preprocessing, the determination of the caries regions, and the classification of the apples. During the image acquisition-preprocessing phase, a NIR camera is used, which is located within a designed image acquisition platform. In the study, a total of 1200 images were obtained from 6 different angles of each of a total of 200 apples, 100 of which were bruised and 100 of which were robust. In the pre-processing phase, adaptive histogram equalization, edge detection, morphological operations are applied to these images, respectively. Caries were identified with the Faster R-CNN model trained using new images with improved visibility by applying preprocessing. In classification phase, 84.95% correct classification rate has been reached in the detection of bruised and robust apples. As a result, it is thought that the proposed model can be used for automatic detection of bruised and robust apples in juice food industry.

Keywords:

Bruised apple detection, image processing, classification, convolutional neural network, Faster R-CNN,

PDF

___

Artık, N. (2017, 13 Haziran). Meyve ve sebze üretim teknolojisi. Ankara Üniversitesi Ders Notları. Erişim: http://acikders.ankara.edu.tr/pluginfile.php/8059/mod_resource/content/0/1.%20hafta.pdf
Pandey, R., Naik, S., & Marfatia, R. (2013). Image processing and machine learning for automated fruit grading system: a technical review, International Journal of Computer Applications, 81, 29-39.
Xing, J., & Baerdemaeker, J. D. (2005). Bruise detection on ‘Jonagold’ apples using hyperspectral imaging, Postharvest Biology and Technology, 37(2), 152-162.
Mohana, S. H., & Prabhakar, C. J. (2015). Stem-Calyx Recognition of an Apple using Shape Descriptors. Signal & Image Processing : An International Journal (SIPIJ), 5(6), 17-31.
Dubey, S. R., & Jalal, A. S. (2016). Apple disease classification using color, texture and shape features from images, Signal, Image and Video Processing, 10(5), 819-826.
Sa, I., Ge, Z., Dayoub, F., Upcroft, B., Perez, T., & McCool, C. (2016). Deepfruits: A fruit detection system using deep neural networks, Sensors, 16(8), 1222.
Fuentes, A., Yoon, S., Kim, S. C., & Park, D. S. (2017). A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition, Sensors, 17(9), 2022.
Lu, Y., & Lu, R. (2017). Histogram-based automatic thresholding for bruise detection of apples by structured-illumination reflectance imaging, Biosystems Engineering, 160, 30-41.
Zhang, S., Wu, S., Zhang, S., Cheng, Q., & Tan, Z. (2017). An effective method to inspect and classify the bruising degree of apples based on the optical properties, Postharvest Biology and Technology, 127, 44-52.
[Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, 147, 70-90.
[Özcan, H. (2014). Çok Düşük Çözünürlüklü Yüz İmgelerinde Derin Öğrenme Uygulamaları, Yüksek Lisans Tezi, Bilgisayar Müh. Bölümü, Deniz Harp Okulu, İstanbul, Türkiye.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks, In Advances in neural information processing systems, 1097-1105.
Bengio, Y., Goodfellow, I., & Courville, A. (2016). Deep Learning, Cambridge, İngiltere, MIT yayınevi, 9, 326-366.
Girshick, R. (2015). Fast r-cnn, Proceedings of the IEEE international conference on computer vision, Santiago, Chile, 1440-1448.
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis & Machine Intelligence, 6, 1137-1149.
Yang, S., Fang, B., Tang, W., Wu, X., Qian, J., & Yang, W. (2017). Faster R-CNN based microscopic cell detection, In Security, Pattern Analysis, and Cybernetics (SPAC), Shenzhen, China, 345-350.