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. 

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.