Classification of Walnut Leaf Images Using a Hybrid CNN-Based Deep Learning Approach

Abstract

Walnut is a widely cultivated crop with various types and qualities, offering significant health benefits. However, its long production cycle and high cultivation costs necessitate the selection of appropriate varieties for specific ecological conditions. Due to morphological and color similarities, differentiating walnut varieties remains challenging, even for experts. Existing studies on walnut classification are limited and mostly confined to laboratory-based experiments. In this study, a novel hybrid computer-based approach is proposed for the automatic classification of walnut varieties using leaf images. A dataset consisting of 1,751 images from 18 different walnut varieties was collected from the Atatürk Horticultural Central Research Institute in Yalova, Turkey. The proposed model integrates deep features extracted from lightweight Convolutional Neural Network (CNN) architectures, namely SqueezeNet and MobileNetV2, with textural features obtained through the Gray-Level Co-occurrence Matrix (GLCM). The most significant features were selected using the Chi-square test, and classification was performed with Support Vector Machines (SVM). Experimental results demonstrate that the proposed hybrid model achieved an accuracy of 84.75% in classifying walnut varieties. These findings indicate that the proposed method can provide a reliable, fast, and cost-effective solution for walnut variety identification, with potential benefits for agricultural standardization and precision farming practices.

Keywords

• Walnut dataset
• light weight CNN
• Chi-Square
• Feature selection
• Support vector machines

Hibrit CNN Tabanlı Derin Öğrenme Yaklaşımı ile Ceviz Yaprak Görsellerinin Sınıflandırılması

Abstract

Ceviz, farklı tür ve kalite özellikleri ile dünya genelinde geniş bir yetiştiricilik alanına sahip olup, insan sağlığı açısından önemli yararlar sunmaktadır. Ancak üretim sürecinin uzunluğu ve yüksek maliyetler, doğru çeşidin uygun ekolojik koşullarda yetiştirilmesini zorunlu kılmaktadır. Renk ve morfolojik benzerlikler nedeniyle ceviz çeşitlerinin uzmanlar tarafından bile doğru şekilde sınıflandırılması güçtür. Literatürde ceviz sınıflandırmasına yönelik çalışmalar sınırlı sayıdadır ve çoğu laboratuvar ortamında yürütülmüştür. Bu çalışmada, ceviz yaprak görüntülerine dayalı bilgisayar tabanlı otomatik sınıflandırma için yeni bir hibrit model önerilmektedir. Çalışmada Yalova Atatürk Bahçe Kültürleri Merkez Araştırma Enstitüsü’nden elde edilen 18 farklı çeşide ait 1751 yaprak görüntüsü kullanılmıştır. Önerilen modelde, hafif Evrişimsel Sinir Ağı (CNN) mimarileri olan SqueezeNet ve MobileNetV2’den çıkarılan derin özellikler, Gri Seviye Birlikte Oluşum Matrisi (GLCM) ile elde edilen dokusal özelliklerle birleştirilmiştir. Ki-Kare testi kullanılarak en anlamlı özellikler seçilmiş ve sınıflandırma işlemi Destek Vektör Makineleri (SVM) ile gerçekleştirilmiştir. Deneysel sonuçlar, önerilen modelin ceviz çeşitlerini %84,75 doğruluk oranı ile başarıyla sınıflandırdığını ortaya koymaktadır. Bu bulgular, önerilen yaklaşımın ceviz çeşitlerinin hızlı, güvenilir ve maliyet etkin bir şekilde sınıflandırılmasına katkı sağlayabileceğini göstermektedir.

Keywords

• Ceviz veri seti
• hafif CNN
• Ki-Kare
• Özellik seçimi
• Destek vektör makineleri

References

1. K. Kulkarni, Z. Zhang, L. Chang, J. Yang, P. C. A. da Fonseca, and D. Barford, “Building a pseudo-atomic model of the anaphase-promoting complex,” Acta Crystallogr. Sect. D Biol. Crystallogr., vol. 69, no. 11, pp. 2236–2243, 2013.
2. T. Karadeniz and E. Güler, “Cumhuriyetin İlk Yıllarından Günümüze Ceviz Yetiştiriciliği,” Bahçe, 2017.
3. T. Karadeniz, “Ordu Yöresinde yetiştirilen ceviz genotiplerinin (Juglans regia L.) seleksiyonu,” Ordu Üniversitesi Bilim ve Teknol. Derg., vol. 1, no. 1, pp. 65–74, 2011.
4. F. Doğan and İ. Türkoğlu, “Derin öğrenme algoritmalarının yaprak sınıflandırma başarımlarının karşılaştırılması,” Sak. Univ. J. Comput. Inf. Sci., vol. 1, no. 1, pp. 10–21, 2018.
5. S. Solak and U. Altınışık, “Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması,” Sak. Univ. J. Sci., vol. 22, no. 1, pp. 56–65, 2018.
6. J. Liu, S. Yang, Y. Cheng, and Z. Song, “Plant leaf classification based on deep learning,” in 2018 Chinese Automation Congress (CAC), 2018, pp. 3165–3169.
7. D. K. Nkemelu, D. Omeiza, and N. Lubalo, “Deep convolutional neural network for plant seedlings classification,” arXiv Prepr. arXiv1811.08404, 2018.
8. S. Khalesi, A. Mahmoudi, A. Hosainpour, and A. Alipour, “Detection of walnut varieties using impact acoustics and artificial neural networks (ANNs),” Mod. Appl. Sci., vol. 6, no. 1, p. 43, 2012.

9. M. Esteki et al., “Classification and authentication of Iranian walnuts according to their geographical origin based on gas chromatographic fatty acid fingerprint analysis using pattern recognition methods,” Chemom. Intell. Lab. Syst., vol. 171, pp. 251–258, 2017.
10. L. U. Jun, X. Z. Han, and K. J. Wang, “Classification of Collection Walnut Based on GLCM and SVM,” in 2nd International Conference on Test, Measurement and Computational Method (TMCM 2017), 2017, pp. 276–281.
11. A. T. Karadeniz, Y. Çelik, and E. Başaran, “Classification of walnut varieties obtained from walnut leaf images by the recommended residual block based CNN model,” Eur. Food Res. Technol., pp. 1–12, 2022.
12. A. Beikmohammadi, K. Faez, and A. Motallebi, “SWP-LeafNET: A novel multistage approach for plant leaf identification based on deep CNN,” Expert Syst. Appl., vol. 202, p. 117470, 2022.
13. A. T. Karadeniz, “Yaprak Görüntülerini Kullanarak Derin Öğrenme İle Ceviz Türlerinin Belirlenmesi.” 2023.
14. A. Dobrescu, M. V. Giuffrida, and S. A. Tsaftaris, “Doing more with less: a multitask deep learning approach in plant phenotyping,” Front. Plant Sci., vol. 11, p. 141, 2020.
15. A. Bouguettaya, A. Kechıda, And A. M. Taberkıt, “A survey on lightweight CNN-based object detection algorithms for platforms with limited computational resources,” Int. J. Informatics Appl. Math., vol. 2, no. 2, pp. 28–44, 2019.
16. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “Mobilenetv2: Inverted residuals and linear bottlenecks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4510–4520.
17. U. Seidaliyeva, D. Akhmetov, L. Ilipbayeva, and E. T. Matson, “Real-time and accurate drone detection in a video with a static background,” Sensors, vol. 20, no. 14, p. 3856, 2020.
18. F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, W. J. Dally, and K. Keutzer, “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size,” arXiv Prepr. arXiv1602.07360, 2016. [19] F. Ucar and D. Korkmaz, “COVIDiagnosis-Net: Deep Bayes-SqueezeNet based diagnosis of the coronavirus disease 2019 (COVID-19) from X-ray images,” Med. Hypotheses, vol. 140, p. 109761, 2020.
19. T. H. B. Nguyen, E. Park, X. Cui, V. H. Nguyen, and H. Kim, “fPADnet: Small and efficient convolutional neural network for presentation attack detection,” Sensors, vol. 18, no. 8, p. 2532, 2018.
20. C. Unsalan and A. Ercil, “Classification of Rust Grades on Steel Surfaces Part 1,” Inst. Grad. Stud. Sci. Eng. Bogaziçi Univ. Bebek, Istanbul, Turkey, 1997.
21. E. Başaran, A. Şengür, Z. Cömert, Ü. Budak, Y. Çelık, and S. Velappan, “Normal and acute tympanic membrane diagnosis based on gray level co-occurrence matrix and artificial neural networks,” in 2019 international artificial intelligence and data processing symposium (IDAP), 2019, pp. 1–6.
22. E. Başaran, Z. Cömert, And Y. Celık, “Timpanik Membran Görüntü Özellikleri Kullanılarak Sınıflandırılması,” Fırat Üniversitesi Mühendislik Bilim. Derg., vol. 33, no. 2, pp. 441–453, 2021.
23. D. Kumar, “Feature extraction and selection of kidney ultrasound images using GLCM and PCA,” Procedia Comput. Sci., vol. 167, pp. 1722–1731, 2020.
24. M. Güngör, “Ki-kare testi üzerine,” Fırat Üniversitesi Doğu Araştırmaları Derg., vol. 7, no. 1, pp. 84–89, 2008.
25. H. Budak, “Özellik seçim yöntemleri ve yeni bir yaklaşım,” Süleyman Demirel Üniversitesi Fen Bilim. Enstitüsü Derg., vol. 22, pp. 21–31, 2018.
26. S. Inc, “SPSS Clementine 12.0 Algorithms Guide,” SPSS Inc, Chicago, 2007.
27. B. Özdet And İ. Semra, “Akciğer Bilgisayarlı Tomografi Görüntülerinde Görüntü İşleme Uygulamaları İle Tümörlerinin Tespit Edilmesi,” Uludağ Üniversitesi Mühendislik Fakültesi Derg., vol. 27, no. 1, pp. 135–150.
28. Y. Çelik, E. Başaran, and Y. Dilay, “Identification of durum wheat grains by using hybrid convolution neural network and deep features,” Signal, Image Video Process., pp. 1–8, 2022.
29. E. Başaran, “Classification of white blood cells with SVM by selecting SqueezeNet and LIME properties by mRMR method,” Signal, Image Video Process., pp. 1–9, 2022.
30. B. Yang, R. Gong, L. Wang, and S. Yang, “Support vector machine in image recognition of nursing methods for critically ill blood purification,” Microprocess. Microsyst., p. 103398, 2020.
31. A. Patle and D. S. Chouhan, “SVM kernel functions for classification,” in 2013 International Conference on Advances in Technology and Engineering (ICATE), 2013, pp. 1–9.
32. Y Alaca and Y Çelik, “Cyber attack detection with QR code images using lightweight deep learning models,” Computers and Security., vol. 126, 2023.
33. M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf. Process. Manag., vol. 45, no. 4, pp. 427–437, 2009.
34. U. M. Khaire and R. Dhanalakshmi, “Stability of feature selection algorithm: A review,” J. King Saud Univ. Inf. Sci., 2019.
35. C. Hou, Y. Li, X. Chen, and J. Zhang, “Automatic modulation classification using KELM with joint features of CNN and LBP.