Abstract
Siirt fıstığı diğer fıstık çeşitlerine göre daha iri taneli oluşu, aroma ve tadındaki farklılıklarından dolayı
Antep fıstığı çeşidine göre piyasada çoğunlukla taze çerez olarak tüketilmektedir. Yıllık ortalama 25 bin ton
üretim kapasitesi olan Siirt fıstık çeşidinin yurtiçi ve dışında pazarlanabilmesi ve müşteri memnuniyetini
kazanabilmesi için kalite standartlarına göre bir sınıflandırma ve derecelendirme işlemine tabi tutulması
gerekmektedir. Hâlihazırda sınıflandırma işlemi manuel olarak işçiler ve mekanik araçlar kullanılarak
yapılmaktadır. İnsan gücü ile sınıflandırma işlemi uzun zaman alan, sıkıcı ve verimi düşük bir süreçtir.
Bununla birlikte söz konusu işlem gıda hijyeni açısından da riskler taşımaktadır. Diğer taraftan mekanik
araçlar (titreşim temelli elekler ve iğneli sınıflandırıcılar) istenilen doğrulukta sınıflandırma
yapamamaktadırlar. Sonuç olarak bilgisayar görü tabanlı tam otomatik bir fıstık sınıflandırıcı sistemine
gereksinim duyulmaktadır. Bu çalışmamızda, Siirt fıstığının kalite standartlarına göre sınıflandırılması
işleminde kullanılmak üzere görüntüleri alınan Siirt fıstığı numunelerinden ayrımsallık gücü yüksek
özniteliklerin çıkarılması için çeşitli imge işleme yöntemlerinin geliştirilmesi hedeflenmiştir. İmgelerden
çapların oranı, fıstık alanı ve kenar alan oranı öznitelikleri çıkarılmıştır. Elde edilen gürbüz öznitelik
vektörü çevrim dışı (offline) sınıflandırma işlemine girdi parametresi olarak verilmiştir. TSE standartlarına
göre fıstıklar, alan uzmanı tarafından danışmalı öğrenme maksadıyla ekstra iri, iri, orta, küçük, kabuk ve
çatlamamış sınıflarına ayrılmışlardır. Her bir fıstık grubunda 100 adet fıstık olacak şekilde toplam 600 adet
fıstık numunesinden örüntüler çıkarılmıştır. Çevrimdışı (Offline) sınıflandırmada Naive Bayes, Yapay Sinir
Ağları (YSA) ve Destek Vektör Makineleri (DVM) algoritmaları kullanılmıştır. Sınıflandırma algoritmaları
kendi aralarında genel sınıflandırma başarımları ve 2.tip hata (Type II error, severe error, false negative)
ölçütlerine göre karşılaştırılmıştır. Genel sınıflandırma başarısına göre %83.33 doğruluk oranı ile YSA en
iyi sınıflandırıcı olarak tespit edilmiştir. 2.tip hata ölçütünde yine YSA ve Naive Bayes sınıflandırıcıları
seçilmiştir. Sonuç olarak sunulan gürbüz öznitelik vektörü çerçevesinde YSA ve Naive Bayes
sınıflandırıcılarının fıstık sınıflandırma sistemi için kullanılması önerilmektedir. Yapılan gerçek zamanlı
testlerde bir fıstık numunesi için öznitelik çıkarımı ve sınıflandırma işlemlerinin süresi toplamda yaklaşık
314 ms olarak hesaplanmıştır.
Abstract
Siirt pistachio is mostly consumed as fresh cookies
in the market because it consists of more coarsegrained
than other types of pistachio varieties and
differs according to the aromas and taste. In order
to gain customer satisfaction, Siirt pistachio having
annual production capacity of 25 thousand tons
should be subjected to the fully automatic sorting
and grading processes based on the quality
standards. Currently classification process is
carried out via manual labor and mechanical tools.
Man powered classification is a time consuming,
boring and inefficient process. In addition to this,
such a process carries several risks in terms of food
hygiene. On the other hand, mechanical sorting
systems (vibration based and pin pickers) cannot
achieved desired classification accuracies anymore.
Consequently a fully automated system based on
machine vision is required.
In this study it is aimed to develop various image
processing methods for extracting robust features
from the acquired images of Siirt pistachio samples
for using pistachio sorting and grading system.
Thus diameter ratio, pistachio area and edge length
over area features are extracted from the acquired
images. Extracted proposed features are provided as
input parameters for offline classification.
Pistachios are grouped into colossal, big, medium,
small, shell and uncracked classes by domain expert
based on Turkish quality standards. Dataset is
constructed from the totally 600 pistachios (each
group has 100 samples). Naïve Bayes, Artificial
Neural Network (ANN) and Support Vector Machine
(SVM) are used as classifiers. Classifiers are
evaluated based on generalization accuracies and
Type II error (false negative or severe error)
criterion. ANN having 83.33% accuracy
outperforms others. ANN and Naïve Bayes are also
selected as winner classifiers based on severe error
(Type II error or false negative) constraint.
In addition to these, proposed pistachio sorting and
grading systems is subjected to the real time
performance testing with respect the computational
cost criteria. Experiments revealed that considering
three images, total processing speed of one pistachio
sample is approximately 314ms which indicates that
average processing speed of the proposed pistachio
grading system is 3nuts per second. Another
significant fact is related to the computational cost
of the Canny edge detector algorithm. It holds about
230ms for three images and therefore Canny edge
process is the most expensive part that should be
addressed in the future. It should be noted that the
processing performance of the proposed system is
for the single channel. Therefore customers can
purchase several channels in order to establish
parallel processing mechanism according to their
needs and factory processing potentials.
Consequently, ANN and Naïve Bayes classifiers
along with proposed robust features are
recommended to be using in pistachio sorting and
grading system.
Details
| Other ID | JA97PG85CT |
|---|---|
| Journal Section | Articles |
| Authors | |
| Publication Date | June 1, 2016 |
| Submission Date | June 1, 2016 |
| Published in Issue | Year 2016 Volume: 7 Issue: 1 |