Makine Öğrenmesi Yöntemleri Kullanarak Tohum Sayısının Tespiti ve Sınıflandırılması

Öz

Derin öğrenme, makine öğrenmesi ve görüntü işleme teknikleri tarımsal işlerin kolaylaştırılmasında ve üretim aşamsındaki farklı problemlere çözümler geliştirilmesinde kullanılan önemli birer araç haline gelmişlerdir. Bu çalışma kapsamında AugeLab Studio’da derin öğrenme mimarilerinden CNN kullanılarak, eş zamanlı nesne tespiti için genelde tercih edilen YOLO algoritmasıyla bir tohum sayısı ve türünün tespit uygulaması geliştirilmiştir. Çalışma sonucunda 3000 iterasyonla ortalama kayıp 0.417 civarına düşürülmüştür. Analizler sonucunda fasulye sınıflandırma başarı oranı %97-%100 arasında değişiklik gösterirken nohut sınıflandırma oranının %91 ile %100 arasında değişmekte olduğu tespit edilmiştir. Buna ek olarak tek görseldeki toplam 11 adet fasulye ve 10 adet nohut tohumunun sayısı %100 doğrulukla tespit edilmiştir. Sonuç olarak yapay zeka görüntü işleme tekniklerinin kullanılarak tohumluk üretim firmaları, tarımsal biyoteknoloji laboratuvarları ve tohum sertifikasyon kuruluşlarının tohum sayma, çeşit ve/veya tür ayrımı yapma, çimlenen tohumların ayrıştırılması ve tespiti veya tohum sertifikasyon süreçlerindeki yabancı karışımların tespit edilip oranlanması gibi tarımın bir çok alanında iş yükünün ve maliyetin azaltılırken zamandan kazanç sağlanabileceğini göstermiştir.

Anahtar Kelimeler

• Yapay zeka
• Derin öğrenme
• Makine öğrenmesi
• Tohum sayımı
• Sınıflandırma
• AugeLab

Counting and Classification of Seed Using Machine Learning Methods

Öz

Deep learning, machine learning and image processing techniques have become important tools used in facilitating agricultural work and developing solutions to different problems in the production phase. In this study, a seed number and type detection algorithm was developed using YOLO deep learning architecture, a real-time object detection algorithm employing the CNN structure in AugeLab Studio sofware. With the developed model average loss factor of 0.417 was achieved after 3000 iterations. As a result of the analysis, it has been determined that the bean classification accuracy varies between 97% and 100%, while the chickpea classification accuracy varies between 91% and 100%. In addition, the total number of 11 beans and 10 chickpea seeds in a single image was determined with 100% accuracy. The results demonstrated that AugeLab, a software employing artificial inteligence based image processing techniques, can be used by seed production companies, agricultural biotechnology laboratories and seed certification institutions in counting and classification of seeds. It can also be used in variety and/or species separation, separating and detecting germinated seeds, or detecting and proportioning foreign mixtures in seed certification processes within shorter time and less costs.

Anahtar Kelimeler

• Artificial intelligence
• Deep learning
• Machine learning
• Seed counting
• Classification
• AugeLab

Kaynakça

1. Ağın, O., Malaslı, M. Z., 2016. Görüntü işleme tekniklerinin sürdürülebilir tarımdaki yeri ve önemi: literatür çalışması. Tarım Makinaları Bilimi Dergisi 12 (3): 199-206. https://dergipark.org.tr/tr/pub/tarmak/issue/35278/391531
2. Antonucci, F., Costa, C., Pallottino, F., Paglia, G., Rimatori, V., De Giorgio, D., Menesatti, P., 2012. Quantitative method for shape description of almond cultivars (Prunus amygdalus Batsch). Food and bioprocess technology 5(2): 768-785.
3. Balaji, S. R., Karthikeyan, S., 2017. A survey on moving object tracking using image processing. In 2017 11th international conference on intelligent systems and control (ISCO) (pp. 469-474). IEEE.
4. Balcı M., Altun A. A., Taşdemir Ş., 2016. Görüntü işleme teknikleri kullanılarak napolyon tipi kirazların sınıflandırılması. Selçuk Teknik Dergisi 15(3): 221-236.
5. Bayrakdar, S., Çomak, B., Başol, D., Yücedag, İ., 2015. Determination of type and quality of hazelnut using image processing techniques. In 2015 23nd Signal Processing and Communications Applications Conference (SIU) (pp. 616-619). IEEE.
6. Bengio, Y., 2009. Learning Deep Achhitectures For Artificial İntelligence. Now Publisher Inc.
7. Demirbaş, H. Y., Dursun, İ., 2007. Buğday tanelerinin bazı fiziksel özelliklerinin görüntü işleme tekniğiyle belirlenmesi. Journal of agricultural sciences 13(03): 176-185.
8. Deng, L., Yu, D., 2014. Deep learning: methods and applications. Foundations and trends in signal processing 7(3–4): 197-387.

9. Deng, X., Ma, Y., Dong, M., 2016. A new adaptive filtering method for removing salt and pepper noise based on multilayered PCNN. Pattern Recognition Letters 79: 8-17.
10. Ercisli, S., Sayinci, B., Kara, M., Yildiz, C., Ozturk, I., 2012. Determination of size and shape features of walnut (Juglans regia L.) cultivars using image processing. Scientia horticulturae 133: 47-55.
11. Hof, A., Wolf, N., 2014. Estimating potential outdoor water consumption in private urban landscapes by coupling high-resolution image analysis, irrigation water needs and evaporation estimation in Spain. Landscape and Urban Planning 123: 61-72.
12. Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H., Aerts, H. J., 2018. Artificial intelligence in radiology. Nature Reviews Cancer 18(8): 500-510.
13. Hussin, R., Juhari, M. R., Kang, N. W., Ismail, R. C., Kamarudin, A., 2012. Digital image processing techniques for object detection from complex background image. Procedia Engineering 41: 340-344.
14. Koza, J. R., Bennett, F. H., Andre, D., Keane, M. A., 1996. Automated design of both the topology and sizing of analog electrical circuits using genetic programming, artificial ıntelligence in design. Springer, Dordrecht, 151-170.
15. Kurtulmuş, F., Vardar, A., Kavdır, İ., 2013. Bahçe koşullarında alınmış renkli görüntülerde doku ve şekil öznitelikleriyle genç şeftali meyvelerinin saptanması. Tarım Makinaları Bilimi Dergisi 9(2): 141-148.
16. Latha, M., Poojith, A., Reddy, B. A., Kumar, G. V., 2014. Image processing in agriculture. International Journal of Research in Electrical, Electronics, Instrumentation and Control Engineering 2(6):1562-1565.
17. Lin, T. Y., Goyal, P., Girshick, R., He, K., Dollár, P., 2017. Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision 2980-2988.
18. Michalak, H., Okarma, K., 2019. Improvement of image binarization methods using image preprocessing with local entropy filtering for alphanumerical character recognition purposes. Entropy 21(6), 562.
19. Mohan, A., Poobal, S., 2018. Crack detection using image processing: A critical review and analysis. Alexandria Engineering Journal 57(2): 787-798.
20. Pathak, A. R., Pandey, M., Rautaray, S., 2018. Application of deep learning for object detection. Procedia computer science 132:1706-1717.
21. Redmon, J., Divvala, S., Girshick, R., Farhadi, A., 2016. You only look once: Unified, real-time object detection. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. https://doi.org/10.1109/CVPR.2016.91
22. Sert, E., Taşkın D., Suçsuz, N., 2010. Görüntü işleme teknikleri ile şeftali ve elma sınıflandırma, Trakya Univ J Sci 11(2): 82-88.
23. Sofu, M. M., Er, O., Kayacan, M. C., Cetişli, B,. 2013. Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti. Gıda Teknolojileri Elektronik Dergisi 8(1):12-25.
24. Sonka, M., Hlavac, V., Boyle, R., 2014. Image processing, analysis, and machine vision. Cengage Learning.
25. Viola, P., Jones, M., 2001. Rapid object detection using a boosted cascade of simple features. In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001 (Vol. 1, pp. I-I). Ieee.
26. Wu, D., Sun, D. W., 2013. Colour measurements by computer vision for food quality control–A review. Trends in Food Science & Technology 29(1): 5-20.