Artificial Neural Networks Based Egg Weight and Classification Estimation

Yıl 2024, Cilt: 7 Sayı: 2, 83 - 92, 15.12.2024

Muhammed Furkan Taşdemir , Mehmet Şamil Akçay , İsmail Koyuncu

https://doi.org/10.53448/akuumubd.1544066

Öz

Eggs have consumed both nutritional properties and lower prices all over the world. Thus, precise measurement of egg weight and accurate weight class determination is an important stage. In this study, ANN-based weight estimation has been performed using egg images, after egg classification has been performed according to these results. With this study, the weights of 120 eggs packed in 4 different packages as S, M, L, and XL classes have been weighed with an assay balance. In the second section, a huge 480 egg images dataset have been generated with applying 30°, 100°, and 200° counterclockwise image rotations to related 120 egg images. In order to perform ANN-based prediction, the dataset have been divided into three parts to 336 egg images for training, 72 egg images for validation and 72 egg images for testing. According to the results obtained from the study, the ANN-based weight estimation system achieved 98.2% success in training, 98.1% success in validation and 97.9% success in testing. In this study, it has been shown the study that the feed-forward ANN structure designed can be successfully used in egg weight classification applications.

Anahtar Kelimeler

Egg Weight, Weight Estimation, Artificial Neural Networks, Egg Weight Estimation

Yapay Sinir Ağları Tabanlı Yumurta Ağırlık ve Sınıflandırma Tahmini

Öz

Yumurta, besleyici özelliği ve ekonomik açıdan düşük maliyete sahip olması nedeni ile dünyada yaygın bir şekilde tüketilmektedir. Bununla birlikte yumurta ağırlığının hassas bir şekilde ölçülmesi ve buna göre ağırlık sınıfının doğru olarak belirlenmesi önemli bir aşamadır. Sunulan bu çalışmada, yumurta görüntüleri kullanılarak YSA tabanlı ağırlık tahmini yapılmış ve bu sonuçlara göre yumurta sınıflandırma işlemi gerçekleştirilmiştir. Çalışmada öncelikle S, M, L ve XL sınıflarında olmak üzere 4 farklı paketlenmiş 120 adet yumurtanın ağırlıkları hassas terazi ile tartılmıştır. Ardından ikinci aşamada, ilgili yumurtalara ait 120 adet yumurta veri seti, saatin tersi yönünde 30⁰, 100⁰ ve 200⁰ döndürülerek toplam 480 adet yumurta görüntüsüne sahip daha geniş bir veri seti oluşturulmuştur. YSA tabanlı tahmin işleminin gerçekleştirilebilmesi amacı ile ilgili veri setine ait 336 yumurta görüntüsü eğitim, 72 adet yumurta görüntüsü doğrulama ve 72 adet yumurta görüntüsü test için üç bölüme ayrılmıştır. Çalışmadan elde edilen sonuçlara göre, YSA-tabanlı tahmin sistemi YSA-tabanlı ağırlık tahmin sistemine ait eğitim sonucu %98.2, doğrulama (validation) sonucu %98.1 ve test işleminden %97.9 oranında başarı sağlanmıştır. Sunulan bu çalışma ile, tasarımı yapılan ileri beslemeli YSA yapısının yumurta ağırlığına göre sınıflandırma uygulamalarında başarılı bir şekilde kullanılabileceği gösterilmiştir.

Anahtar Kelimeler

Yumurta ağırlığı, Ağırlık tahmini, Yapay sinir ağları, Yumurta ağırlık tahmini

Kaynakça

• Akçay, M. Ş., Koyuncu, İ., Alçın, M. V. & Tuna, M., 2022. FPGA Tabanlı LogSig ve TanSig Transfer Fonksiyonlarının IQ-Math Sayı Standardında Tasarımı ve Gerçeklenmesi. Journal of Materials and Mechatronics: A, 3(2), 225-239.
• Akçay, M. Ş., Koyuncu, I., Alçın, M. & Tuna, M. 2020. Implementation of IQ-Math Based RadBas Activation Function on FPGA. In International Asian Congress on Contemporary Sciences-IV, Baku Azerbaijan Vol. 599, p. 607.
• Alikhanov, D., Penchev, S., Georgieva, T., Moldajanov, A., Shynybaj, Z. & Daskalov, P. 2015. Indirect method for egg weight measurement using image processing. International Journal of Emerging Technology and Advanced Engineering, 5, 30-34.
• Altuntaş, C. & Çorumluoğlu, Ö., 2011. Filtreleme Yöntemi İle Digital Görüntü Zenginleştirme ve Örnek Bir Yazılım, Teknik-Online Dergi, 10, 99-107.
• Asadi, V., Raoufat, M. & Nassiri, S. 2012. Fresh egg mass estimation using machine vision technique. Int. Agrophys., 26(3), 229-234.
• Avci, D., Leblebicioglu, M. K., Poyraz, M. & E., Dogantekin, A., 2014. New method based on adaptive discrete wavelet entropy energy and neural network classfier (ADWEENN) for recognition of urine cells from microscopic images independent of rotation and scaling, J. Med. Syst. 38 1–9.
• Arı, A. & Berberler, M. E., 2017. Yapay sinir ağları ile tahmin ve sınıflandırma problemlerinin çözümü için arayüz tasarımı. Acta Infologica, 1(2), 55-73.
• Bahtiyar, T. & Olhan, E. 2023. Dünya Yumurta Ticaretindeki Değişimler ve Türkiye’nin Dünya Yumurta Ticaretindeki Yeri. Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi, 20(2), 265-274.
• Balcı, Z., Yumurtacı, M., Yabanova, İ. & Ergin, S. 2021. Yumurta Kabuğundan Alınan Akustik Sinyalin Dalgacık Paket Dönüşümü ve Entropiye Dayalı Olarak İşlenmesi ve Yapay Sinir Ağlarıyla Çatlağın Belirlenmesi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(1), 125-135.
• Barakat, M., L., Mansingka, A., S., Radwan, A., G. & Salama, K., N., 2014. Hardware Stream Cipher with Controllable Chaos Generator for Colour Image Encryption, Image Processing, 8, 33–43.
• Çanga, D., Yavuz, E., & Efe, E. 2021. Prediction of Egg Weight Using MARS data mining Algorithm through R. Kahramanmaraş Sütçü İmam Üniversitesi Tarım Ve Doğa Dergisi, 24(1), 242-251.
• Dangphonthong, D. & Pinate, W., 2016. Analysis of weight egg using image processing. Proceedings of Academics World 17th International Conference. Tokyo, Japan, pp. 55-57.
• Demirci, R. & Okur, Ü., 2019. Renkli Görüntülerin Ortalama Tabanlı Çok Seviyeli Eşiklenmesi, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 7, 664-676.
• Du, X. K., 2011. The New Elman ANN Application in Accuracy Improvement of Robot Navigation and Obstacle Avoidance Technology, Advanced Materials Research, 383-390, 1447-1451.
• Ersoy, E. & Karal, Ö., 2012. Yapay sinir ağları ve insan beyni, Journal of the Human and Social Science Researches, 1, 188-205.
• Fei, J. & Ding, H., 2012. Adaptive sliding mode control of dynamic system using RBF neural network, Nonlinear Dyn., 70, 1563–1573.
• Gilandeh, A., Molaee, Y., Sabzi, A., Nabipur, S., Shamshirband, N., S., & Mosavi, A. 2020. A combined method of image processing and artificial neural network for the identification of 13 Iranian rice cultivars. Agronomy, 10(1), 117.
• Hao, F., Guoping, Q., Jie, S. & İlyas, M., 2014. A Novel Polar Space Random Field Model for the Detection of Glandular Structures, IEEE Transactions on Medical Imaging, 33, 764–776.
• Jiang, Z., Carlson, B., Deiana, A., Eastlack, J., Hauck, S., Hsu, S. C., & Zuo, B. 2024. Machine learning evaluation in the Global Event Processor FPGA for the ATLAS trigger upgrade. Journal of Instrumentation, 19(05), P05031.
• Karatas F., Koyuncu I., Tuna M. & Alçın M., 2020. Implementation of Fuzzy LogicMembership Functions on FPGA. Bilgisayar Bilimleri ve Teknolojileri Dergisi, 1(1), 01-09.
• Koyuncu, I., Akcay, M. S., Tuna, M. & Alçın, M., 2019. Implementation of IQ-Math-based Linear Activation Functions on FPGA, 1st International Congress of Multidisciplinary Studies and Research, 114-124. Lin, C. J. & Tsai, H., M., 2008. FPGA implementation of a wavelet neural network with particle swarm optimization learning, Math. Comput. Model., 47, 982–996, 2008.
• Li, L., Gong, M., Chui, Y. H. & Schneider, M., 2014. A MATLAB-based Image Processing Algorithm For Analyzing Cupping Profiles of Two-Layer Laminated Wood Products, Measurement, 53, 234 – 239.
• Lu, W., Lifan, Z., Guoan, B., Chunru, W. & Lei, Y., 2013. Enhanced ISAR Imaging by Exploiting the Continuity of the Target Scene, IEEE Transactions on Geoscience and Remote Sensing, 52, 5736 - 5750.
• Prakash, J., Dehghani H., Pogue, B. W. & Yalavarthy, P. K., 2014. Model-Resolution-Based Basis Pursuit Deconvolution Improves Diffuse Optical Tomographic Imaging, IEEE Transactions on Medical Imaging, 33, 891–901.
• Prasad, S., Kumar, P. ve Sinha, K. P. 2015. Grayscale to color map transformation for efficient image analysis on low-processing devices. In Advances in Intelligent Informatics (pp. 9-18). Springer International Publishing.
• Rana, K., B., Agrawal, G. D., Mathur, J. & Puli, U., 2014. Measurement of Void Fraction in Flow Boiling of Zno Water Nanofluids Using Image Processing Technique, Nuclear Engineering and Design, 270, 217–226.
• Raoufat, M. H. & Asadi, V. 2010. Estimation of egg weight by machine vision and neural networks techniques. In CIGR XVIIth World Congress–Québec City, Canada.
• Şalvarcı, Ü. B. & Ayten, U. E. 2019. Yapay sinir ağları ile görüntü işlemeye dayalı uzaklıktan bağımsız ağırlık tahmin sistemi: yumurta ve portakal örnekleri. Jeodezi ve Jeoinformasyon Dergisi, 6(1), 26-46.
• Tanguy, L., Tulechki, N., Urieli, A., Hermann, E. & Raynal, C., 2015. Natural language processing for aviation safety reports: From classification to interactive analysis, Computers in Industry, 78, 80-95.
• Tasdemir M. F., Koyuncu I., Cosgun E. & Katircioğlu F. 2020. Real-Time Fast Corner Detection Algorithm Based Image Processing Application on FPGA. International Asian Congress on Contemporary Sciences-III, 01-06.
• Tombul, H. & Kavzoğlu, T., 2018. Nesne Tabanlı Görüntü Analizinde Görüntü Bölütleme Yaklaşımları ve Bölütleme Kalitesinin Analizi, Harita Dergisi, 160, 12-23.
• Tuna, M., 2020. A novel secure chaos-based pseudo random number generator based on ANN-based chaotic and ring oscillator: design and its FPGA implementation. Analog Integr Circ Sig Process 105, 167–181.
• Türkoğlu, M., 2021. Yumurta Kabuğu Görüntülerinde Kırık Tespiti İçin Daha Hızlı Bölgesel Tabanlı Çok Katmanlı Evrişimsel Sinir Ağları, Gazi University Journal of Science Part C: Design and Technology, 9(1), 148-157.
• Türkoğlu, M., 2021. Detection of eggshell defects using convolutional neural Networks, Turkish Journal of Agriculture-Food Science and Technology, 9(3), 559-567.
• Vaidyanathan, S., Pehlivan, I., Dolvis, L. G., Jacques, K., Alcin, M., Tuna, M. & Koyuncu, I. 2020. A novel ANN-based four-dimensional two-disk hyperchaotic dynamical system, bifurcation analysis, circuit realisation and FPGA-based TRNG implementation. International Journal of Computer Applications in Technology, 62(1), 20-35.
• Xiao, Y. & Dong, S., 2015. Multilevel-Based Topology Design and Cell Patterning With Robotically Controlled Optical Tweezers, IEEE Transactions on Control System Technology, 23, 176–185.
• Yıldız, G. & Yıldız, D., 2018. Morfolojik İşlemler ve Kenar Algılama Yöntemler Vasıtasıyla Beyin Tümör Yeri Tespiti ve Tümör Alan Hesabının Yapılması, International Journal of Multidisciplinary Studies and Innovative Technologies, 2, 39-42.
• Yiğitbaşı, E. D., 2014. Yapay Arı Kolonisi Optimizasyonu ile Kenar Bulma, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 96s, Konya.
• Zorlu, H. & Sunca, Ş., 2017. Genetik Algoritma Kullanılarak Ağırlıklandırılmış Myriad Filtrelerin Optimizasyonu. International Journal of Multidisciplinary Studies and Innovative Technologies, 1, 9-14.