Bul-Tak Oyuncağı Şekillerinin Klasik Görüntü İşleme ve Derin Öğrenme Yöntemleri ile Tespiti

Yıl 2021, , 1290 - 1303, 31.12.2021

Mehmet Dersuneli , Taner Gündüz , Yakup Kutlu

https://doi.org/10.17798/bitlisfen.927392

Cited By: 2

Öz

Bilgisayar görme algoritmaları teknolojinin ilerlemesiyle daha kullanılır hale gelmektedir. Klasik yöntemler olan görüntü işleme ve makine öğrenmesi algoritmaları ile yapılan bilgisayarlı görü uygulamaları halen kullanılsa da gürültüler veya istenmeyen ortam değişimleri etkisini sonuçlar üzerinde göstermektedir. Bu çalışmada, bul-tak oyuncağındaki 4 adet geometrik şeklin tespiti iki farklı yöntemle gerçekleştirilmiştir. Klasik yöntemde iki farklı algoritmada görüntü işleme ile elde edilen öznitelikler k-NN algoritması ile sınıflandırılmış, derin öğrenme yönteminde ise nesne tespiti için özelleşmiş olan Yolov4 algoritması kullanılmıştır. Deney ortamında klasik görüntü işleme yöntemi siyah arka planlı test veri setinde %100 başarım sağlarken, farklı renk ve desende arka plana sahip ikinci test veri setinde başarım %86,25’e düşmüştür. Yolov4 derin öğrenme yöntemi algoritması ise her iki veri setinde de %100 başarıma ulaşmıştır. Algoritmalar gerçek zamanlı kamera görüntüsü üzerinde çalıştırıldığında klasik yöntem siyah arka planlı bir kare görüntüde 0,06 sn’de, farklı renk ve desende arka plana sahip bir kare görüntüde ise 0,04sn’de nesne tespiti yaparken, Yolov4 yöntemi 1,06 sn’de nesne tespit işlemi gerçekleştirmiştir.

Anahtar Kelimeler

Geometrik şekillerin sınıflandırılması, k-NN, Yolov4.

Kaynakça

• [1] Ali, H., Seng, T. C., Hoi, L. H., & Elshaikh, M. (2012, March). Development of vision-based sensor of smart gripper for industrial applications. In 2012 IEEE 8th International Colloquium on Signal Processing and its Applications (pp. 300-304). IEEE.
• [2] ERDOĞAN, T. (2012). Hareketli konveyor üzerinde kamera görüntüsü ile nesne tanıma ve nesneleri yerine koyma uygulaması (Doctoral dissertation, DEÜ Fen Bilimleri Enstitüsü).
• [3] Rege, S., Memane, R., Phatak, M., & Agarwal, P. (2013). 2D geometric shape and color recognition using digital image processing. International journal of advanced research in electrical, electronics and instrumentation engineering, 2(6), 2479-2487.
• [4] Gupta, S., & Singh, Y. J. (2017). Shape Detection using Geometrical Features. An International Journal of Engineering Sciences, 260270.
• [5] Zakaria, M. F., Choon, H. S., & Suandi, S. A. (2012). Object shape recognition in image for machine vision application. International Journal of Computer Theory and Engineering, 4(1), 76.
• [6] Aktaş, A., Doğan, B., & Demir, Ö. (2020). Derin öğrenme yöntemleri ile dokunsal parke yüzeyi tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(3), 1685-1700.
• [7] Chen, W., Lu, S., Liu, B., Li, G., & Qian, T. (2020). Detecting Citrus in Orchard Environment by Using Improved YOLOv4. Scientific Programming, 2020.
• [8] Akgül, T., Çalik, N., & Töreyın, B. U. (2020, October). Deep Learning-Based Fish Detection in Turbid Underwater Images. In 2020 28th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
• [9] Kılıç, B. (2020). Panorama ile üretilen plevral efüzyon sitopatoloji görüntüleri üzerinde yolov3 ile otomatik çekirdek algılama (Doctoral dissertation, Karadeniz Teknik Üniversitesi/Fen Bilimleri Enstitüsü/Bilgisayar Mühendisliği Anabilim Dalı). [10] CAGIL, G., & YILDIRIM, B. Bir Montaj Parçasının Derin Öğrenme ve Görüntü İşleme ile Tespiti. Zeki Sistemler Teori ve Uygulamaları Dergisi, 3(2), 31-37.
• [11] Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. " O'Reilly Media, Inc.".
• [12] Cover, T. M., & Hart, P. E. (1967). Nearest Neighbor Pattern Classification. IEEE Transactions on Information Theory. IT-13, 19-7.
• [13] Bajcsy, R., & Kovačič, S. (1989). Multiresolution elastic matching. Computer vision, graphics, and image processing, 46(1), 1-21.
• [14] HSV_color_solid_cylinder.png: SharkDderivative work: SharkD Talk - HSV_color_solid_cylinder.png, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=9801673
• [15] Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.
• [16] Yayik, A., & Kutlu, Y. (2012, April). Diagnosis of congestive heart failure using poincare map plot. In 2012 20th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE