Real-Time Object Detection and Classification Using Image Processing and Morphological Technique in HSL Color Space

Öz

Image processing is a common method used for purposes such as recognition, detection, classification, tracking and segmentation. This method produces very fast and reliable results in order to data acquisition such as the position and size of the materials on the surface in a distributed manner. Especially, image processing techniques used for the detection of random products in new generation production lines are among the developing technologies. In this study, a coin was used as an input parameter in order to sample the environments where products with different diameters are distributed on the production lines. First of all, the color space is extracted in the HSL of the image taken with the real time camera and calibration process has been carried out in order to make measurements in real world units. Then, by creating a color threshold from the grayscale image and adjusting the pixel value, the coin and the surface it is located on are discretized from each other. Finally, the parasites have been filtered out, and then the measurement results have been calculated in terms of area, and the numbers of the coins were determined and classified. All calculations required for these processes have been performed in the LabVIEW and the results displayed real time. As a result, by using the area information of the coins on the surface determined by the applied image processing techniques, the average accuracy of the coins compared to the real sizes was determined and the performance rate of the software has been calculated.

Anahtar Kelimeler

• Image processing
• Coin detection
• Classification
• HLS color space
• LabVIEW

HSL Renk Uzayında Görüntü İşleme ve Morfolojik İşlemler Kullanarak Gerçek Zamanlı Nesne Tespiti ve Sınıflandırması

Öz

Görüntü işleme; tanıma, tespit, sınıflandırma, takip ve bölütleme gibi amaçlar için kullanılan yaygın bir yöntemdir. Bu yöntem, dağıtık şekilde yüzeyde bulunan materyallerin konum ve boyut gibi bilgilerinin toplanabilmesi için oldukça hızlı ve güvenilir sonuçlar üretmektedir. Özellikle, yeni nesil üretim hatlarında farklı boyutlarda rastgele dizili gelebilen ürünlerin tespiti için kullanılan görüntü işleme teknikleri gelişen teknolojiler arasında yer almaktadır. Bu çalışmada farklı çaplara sahip ürünlerin üretim hatlarında dağıtık bir şekilde bulunduğu ortamların örneklenmesi amacıyla giriş parametresi olarak madeni para kullanılmıştır. Öncelikle gerçek zamanlı olarak kamera ile alınan görüntünün HSL türünde renk uzayı çıkarıldıktan sonra gerçek dünya birimlerinde ölçüm yapabilmek için kalibrasyon işlemi gerçekleştirilmiştir. Daha sonra gri tonlamalı görüntüden renk eşiği oluşturulup piksel değeri ayarlanmasıyla madeni para ile bulunduğu yüzey birbirinden ayrıklaştırılmıştır. Son olarak hataya sebep oluşturabilecek parazitler filtrelenmiş ve ardından ölçüm sonuçları alan cinsinden hesaplanarak madeni paraların sayıları tespit edilerek sınıflandırılmıştır. Bu işlemler için gerekli olan hesaplamalar LabVIEW yazılım ortamında gerçekleştirilmiş ve sonuçlar anlık olarak görüntülenmiştir. Sonuç olarak, uygulanan görüntü işleme teknikleri ile tespit edilen yüzeydeki madeni paraların alan bilgileri kullanılarak gerçek boyutlara oranla ortalama doğrulukları tespit edilerek yazılımın başarım oranı çıkarılmıştır.

Anahtar Kelimeler

• Görüntü işleme
• Bölütleme
• Sınıflandırma
• HSL renk uzayı
• LabVIEW

Kaynakça

1. Atmaca, V., (2005). Örme kumaşlardaki üretim hatalarının görüntü işleme teknikleri ile otomatik tespiti ve sınıflandırılması. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, İstanbul.
2. Bayram, R. B. & Yılmaz E. (2019). Gömülü sistem tabanlı bir hatalı ürün tespit sistemi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 24(1), 391-400. https://doi.org/10.17482/uumfd.525696
3. Burkert, F., Butenuth, M. & Ulrich, M.(2011). Real-time object detection with sub-pixel accuracy using the level set method. The Photogrammetric Record, 26(134), 154-170. https://doi.org/10.1111/j.1477-9730.2011.00633.x
4. Güvenoğlu, E. & Bağırgan, M. (2019). Shearlet dönüşümü ve görüntü işleme teknikleri kullanarak kot kumaş üzerinde gerçek zamanlı hata tespiti. El-Cezeri Fen ve Mühendislik Dergisi, 6(3), 491-502, 2019.
5. National Instruments, (2005). NI Vision,: NI Vision for LabVIEW™ User Manual, Part Number: 371007B-01. Erişim adresi https://www.ni.com/pdf/manuals/371007b.pdf
6. National Instruments, (2003a). IMAQ ™: IMAQ Vision Concepts Manual, Part Number: 322916B-01. Erişim adresi https://www.ni.com/pdf/manuals/322916b.pdf
7. National Instruments, (2003b). LabVIEW™: User Manual, Part Number: 320999E-01. Erişim adresi https://www.ni.com/pdf/manuals/320999e.pdf
8. Ozan, M. (2019). Yumurta üretim tesisleri için görüntü analiz sisteminin geliştirilmesi ve uygulanması. Yüksek Lisans Tezi, Konya Teknik Üniversitesi, Konya.

9. Ozkaya, U., Ozturk, S., Akdemir, B., & Sevfi, L. (2018). An efficient retinal blood vessel segmentation using morphological operations. In 2018 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). 1-7. IEEE. https://doi.org/10.1109/ISMSIT.2018.8567239
10. Özkan, H. (2012). Hayvansal üretim endüstrisinde görüntü işleme tabanlı gerçek zamanlı bir kalite kontrol uygulaması. Yüksek Lisans Tezi, Selçuk Üniversitesi, Konya.
11. Öztürk, Ş. (2015). Cam üretim hatalarının görüntü işleme tabanlı bulunması. Yüksek Lisans Tezi, Selçuk Üniversitesi, Konya.
12. Pınar, Z., Gülağız,F. K., Altuncu, M. A. & Şahin, S. (2020). Denim kumaşlarda görüntü işleme ile hata tespiti. BEÜ Fen Bilimleri Dergisi, 9(4), 1609-1620. https://doi.org/10.17798/bitlisfen.595389
13. Şenel, F. A. & Çetişli, B. (2015). Görüntü işleme ve beş eksenli robot kol ile üretim bandında nesne denetimi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21(5), 158-161, 2015. https://doi.org/10.5505/pajes.2014.96658
14. Tsai, S. H. & Tseng, Y. H. (2012). A novel color detection method based on hsl color space for robotic soccer competition. Computers and Mathematics with Applications, 64(5), 1291-1300. https://doi.org/10.1016/j.camwa.2012.03.073
15. Yıldırım, Ş. & Ozak, B. (2018). Desing and experimental applications of material classification prototype system. Journal of New Results in Engineering and Natural Science, 8, 148-156.
16. Yoldaş, M. & Sungur, C. (2020). Alüminyum ekstrüzyon profillerinin hassas kesit ölçümlerinin görüntü işleme teknolojisi ile gerçekleştirilmesi. Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 190-195. https://doi.org/10.31590/ejosat.803308
17. Zhan, C., Duan, X., Xu, S., Song, Z. & Luo M. (2007). An ımproved moving object detection algorithm based on frame difference and edge detection. Fourth International Conference on Image and Graphics, 519-523 . https://doi.org/10.1109/ICIG.2007.153