GÖRÜNTÜ IŞLEME VE DERIN ÖĞRENME KULLANARAK YUMURTA TÜRLERİ VE DURUMUNU TESPIT ETME

Öz

Yumurtaların izlenmesi ve toplanması için bilgisayarla görme ve otomasyonun kullanılması, işgücü verimliliğinin artırılması için çok önemlidir. Derin öğrenme ve bilgisayarla görme teknikleri, araştırmacılar ve geliştiriciler tarafından çeşitli alanlarda yaygın olarak benimsenmiştir. Bu çalışma, YOLO V8 kullanan verimli ve hafif bir ağ modeli önermektedir. Araştırmaların çoğu, birçok niteliği aynı anda entegre etmek yerine, boyut veya tür gibi tek bir niteliğe odaklanmaktadır. Bu tez, çeşitli yumurta türlerini ve bunların farklı koşullarını dikkate alan geliştirilmiş bir model sunmaktadır. Metodolojimiz üç ana aşamadan oluşmaktadır: ilk aşama görüntü kırpma dahil olmak üzere görüntü ön işleme ve büyütme tekniklerini içerir; ikinci aşama YOLOv8 tespit algoritmalarını kullanır; ve son aşama sınıflandırma doğruluğunu artırmak için derin öğrenme yaklaşımlarını uygular. Bunu, algılama ve sınıflandırmadaki algoritma performansının çeşitli kriterlere göre karşılaştırmalı bir analizi takip etmektedir. Literatürü incelediğimizde, bu alandaki araştırmaların çoğunun belirli bir tür veya sınırlı bir yumurta durumu (örneğin, sağlam veya kırık) üzerinde yoğunlaştığını gördük (örneğin, tavuk veya ördek yumurtalarının sınıflandırılması). Bu çalışmada tavuk yumurtası (hem sağlam hem de kırık), ördek yumurtası ve bıldırcın yumurtası bir arada kullanılmıştır. Bu çalışma, modelin parametre sayısını ve hesaplama yükünü azaltırken yüksek tespit doğruluğunu korur. Bu yöntem, dağıtım masraflarını azaltır ve robotik platformlar için uygunluğunu artırır. Bu çalışma, beş yumurta türünü kategorize etmek için bir sınıflandırma modeli belirleyecek ve CNN modelinin performansını diğer beş modele karşı değerlendirecektir: “Random Forest”, ‘K-Nearest Neighbors (KNN)’, ‘XGBoost’, ‘ResNet50’ ve ‘VGG16’. Veri kümesi eğitim, doğrulama ve test kümeleri olarak düzenlenmiştir ve görüntü sayısı 1000-1200 arasında olup. Deneysel bulguların analizi, Evrişimsel Sinir Ağının (CNN) performans açısından diğer modelleri geride bıraktığını göstermektedir. Bunu VGG16 ve XGBoost modelleri takip etmektedir. CNN modeli hafif mimarisi, minimum parametre sayısı ve hızlı performansı ile öne çıkmaktadır. Buna karşılık, VGG16 modeli ikinci sırada yer almaktadır. Sistemin yumurta sınıflandırmasını da kapsayan tahmin yetenekleri, işlendikten sonra %98 gibi olağanüstü bir doğruluk oranına ulaşıyor.

Anahtar Kelimeler

• Yumurta Sınıflandırma
• Yolo v8
• Derin Öğrenme
• Tespit.

DETECTION EGG TYPES AND STATE USING IMAGE PROCESSING AND DEEP LEARNING

Öz

The utilization of computer vision and automation for monitoring and collecting eggs is crucial for enhancing labor productivity. Deep learning and computer vision techniques have been extensively adopted by researchers and developers in diverse fields. This study proposes an efficient and lightweight network model utilizing YOLO V8. Rather than integrating many attributes simultaneously, the majority of research concentrate on a singular attribute, such as size or kind. This thesis presents an enhanced model that considers various egg types and their distinct conditions. Our methodology comprises three primary stages: the initial stage involves image preprocessing and augmentation techniques, including image cropping; the second stage employs YOLOv8 detection algorithms; and the last stage applies deep learning approaches to enhance classification accuracy. This is succeeded by a comparative analysis of algorithm performance in detection and classification according to diverse criteria. Upon examining the literature, we found that most research in this domain has concentrated on a particular type or a restricted range of egg states (e.g., intact or broken) (e.g., classification of chicken or duck eggs). This study involved the combination of chicken eggs (both intact and broken), duck eggs, and quail eggs. This study preserves elevated detection accuracy while diminishing the model's parameter count and computational burden. This method reduces deployment expenses and improves its suitability for robotic platforms. This study will identify a classification model to categorize five types of eggs and assess the efficacy of the of the CNN model against five other models: “Random Forest”, “K-Nearest Neighbors (KNN)”, “XGBoost”, “ResNet50”, and “VGG16”, datasets was organized into “training”, “validation”, and “test” sets and the number of images it between 1000 -1200 images. The analysis of the experimental findings indicates that the “Convolutional Neural Network (CNN)” surpasses the other models in performance. It is succeeded by the VGG16 and XGBoost models. The CNN model is distinguished by its lightweight architecture, minimal parameter count, and rapid performance. Conversely, the VGG16 model ranks second .The system's predictive capabilities, encompassing egg classification, attain an exceptional accuracy rate of 98% after processing .

Anahtar Kelimeler

• Egg Classification
• Image Processing
• Deep Learning
• Yolo v8
• Detection

Destekleyen Kurum

Tokat Gaziosmanpaşa University

Etik Beyan

This research does not include any human or animal subjects. Consequently, permission from an ethics commission was unnecessary.

Kaynakça

1. Abdullahkhanuet22. (n.d.). Eggs image classification: Damaged or not [Dataset]. Kaggle.https://www.kaggle.com/datasets/abdullahkhanuet22/eggs-images-classification-damaged-or-not/data.
2. Bao, G., Jia, M., Xun, Y., Cai, S., & Yang, Q. (2019). Cracked egg recognition based on machine vision. Zhejiang University of Technology.
3. Brasil, Y. L., Silva, D. F., & Oliveira, M. S. (2021). Fast online estimation of quail eggs' freshness using a portable NIR spectrometer and machine learning. Food Control, 129, 108223.
4. Datta, A. K., Botta, B., & Gattam, S. S. R. (2019). Damage detection on chicken eggshells using Faster R-CNN. ASABE Annual International Meeting, 1–9.
5. G. G. Casas, Z. H. Ismail, M. M. C. Limeira, A. A. L. da Silva, and H. G. Leite. (2023). Automatic Detection and Counting of Stacked Eucalypt Timber Using the YOLOv8 Model. Forests, vol. 14, no. 12.
6. Gauravduttakiit. (n.d.). Class Dataset: Automated Egg Classification. Kaggle. https://www.kaggle.com/code/gauravduttakiit/class-dataset-automated-egg-classification/input.
7. Huang, Y., Luo, Y., Cao, Y., Lin, X., Wei, H., Wu, M., Yang, X., & Zhao, Z. (2023). Damage detection of unwashed eggs through video and deep learning. Foods, 12(11), 2179.
8. İnik, Ö., & Turan, B. (2018). Classification of different age groups of people by using deep learning. Journal of New Results in Science, 7(3), 9–16.

9. Kaya, M., Ulutürk, S., Çetin Kaya, Y., Altıntaş, O., & Turan, B. (2023). Optimization of several deep CNN models for waste classification. Sakarya University Journal of Computer and Information Sciences, 6(2), 91–99.
10. Li, G., Xu, Y., Zhao, Y., Du, Q., & Huang, Y. (2020). Evaluating convolutional neural networks for cage-free floor egg detection. Sensors, 20(2), 332.
11. Liu, C., Wang, Q., Ma, M., Zhu, Z., Lin, W., Liu, S., & Fan, W. (2023). Single-view measurement method for egg size based on small-batch images. Foods, 12(5), 936.
12. Milovanovic, B., Tomovic, V., Djekic, I., Solowiej, B. G., Lorenzo, J. M., Barba, F. J., & Tomasevic, I. (2021). Color assessment of the eggs using a computer vision system and a Minolta colorimeter. Journal of Food Measurement and Characterization, 15(6), 5097–5112.
13. Nakamura, R., & Katayama, T. (2000). Eggshell crack detection based on acoustic resonance frequency analysis. Journal of Agricultural Engineering Research, 76(2), 157–163.
14. Nasiri, A., Omid, M., & Taheri-Garavand, A. (2020). An automatic sorting system for unwashed eggs using deep learning. Journal of Food Engineering, 283, 110036.
15. Pan, P., Shao, M., He, P., Hu, L., Zhao, S., Huang, L., ... & Zhang, J. (2024). Lightweight cotton diseases real-time detection model for resource-constrained devices in natural environments. Frontiers in Plant Science, 15, 1383863.
16. Roboflow. (n.d.). Quail egg quality detector. Roboflow Universe. https://universe.roboflow.com/quaileggsqualitydetector/quail_eggs_quality_detector
17. Sánchez, J. M. P., Moreno, L. A. O., Rodríguez, J. L. R., & Corro, I. D. M. (2023). Poultry egg classification system using deep learning. Scientific Reports, 13, 12345.
18. Sehirli, E., & Arslan, K. (2022). An application for the classification of egg quality and Haugh unit based on characteristic egg features using machine learning models. Expert Systems with Applications, 205, 117692.
19. Shin, M., Kim, M., & Kwon, D.-S. (2016). Baseline CNN structure analysis for facial expression recognition. arXiv preprint arXiv:1611.04251.
20. Sohan, M., Sai Ram, T., & Venkata Rami Reddy, C. (2024). A review of YOLOv8 and its advancements. In Proceedings of International Conference on Recent Innovations in Computing (ICRIC 2023) (pp. 529–545). Springer.
21. Wu, L., Wang, Q., Dengfei, J., Wang, S., Zhu, Z., & Xiong, L. (2018). Detection of cracked eggs by image processing and soft-margin support vector machine. Journal of Computational Methods in Sciences and Engineering, 18(1), 21–31.
22. Yang, X., Bist, R. B., Subedi, S., & Chai, L. (2023). A computer vision-based automatic system for egg grading and defect detection. Animals, 13(14), 2354.