Classification of Fruit Types of Onobrychis with Machine Learning Approach

Öz

In this study, the aim is to give general information about machine learning and Local Binary Pattern (LBP) and to classify sainfoin (Onobrychis) plant fruits grown in Türkiye with machine learning in the light of this information. A database was created using a total of 448 fruit images of 4 different Sainfoin (Onobrychis) species. These species are O. cappadocica, O. argyrea, O. hypargyrea and O. tournefortii, respectively. Machine learning methods were used to classify sainfoin (Onobrychis) fruit varieties. These methods were classified by four different methods, namely Support Vector Machine Method, Naive Bayes Algorithm Method, Decision Trees Method and K-Nearest Neighbor Method. The performances of these four different methods were compared and it was determined that the most suitable model was the Support Vector Machine Method with a 99.6% correct classification success rate.

Anahtar Kelimeler

• Artificial neural networks (ANN)
• Local Binary Pattern (LBP)
• Pattern Recognition
• Onobrychis

Onobrychis Bitkisine Ait Meyve Tiplerinin Makine Öğrenmesi Yaklaşımıyla Sınıflandırılması

Öz

Bu çalışmada amaç makine öğrenmesi ve Yerel İkili Örüntü (YİÖ) hakkında genel bir bilgi verip bu bilgi ışığında Türkiye’de yetişen korunga (Onobrychis) bitki meyvelerini makine öğrenmesi ile sınıflandırmaktır. 4 farklı Korunga (Onobrychis) türüne toplam 448 adet meyve görüntüsü kullanılarak bir veri tabanı oluşturulmuştur. Bu türler sırasıyla O. cappadocica, O. argyrea, O. hypargyrea ve O. tournefortii’ dir. Korunga (Onobrychis) meyve çeşitlerini sınıflandırmasını yapmak için makine öğrenmesi yöntemleri kullanılmıştır. Kullanılan bu yöntemler sırasıyla Destek Vektör Makinesi (DVM), Naif Bayes(NB), Karar Ağaçları (KA) ve K-En Yakın Komşu (k-EYK) olmak üzere dört farklı yöntem ile sınıflandırma işlemi yapılmıştır. Bu dört farklı yöntemin pe rformansları karşılaştırılıp en başarılı modelin %99,6 doğru sınıflandırma başarı oranı ile Destek Vektör Makinesi Yöntemi olduğu belirlenmiştir.

Anahtar Kelimeler

• Yapay Sinir Ağı
• Yerel İkili Örüntü
• Örüntü Tanıma
• Korunga (Onobrychis

Kaynakça

1. Sağıroğlu, Ş., Beşdok, E., Erler, M. Mühendislikte Yapay Zeka Uygulamaları-1: Yapay Sinir Ağları. Ufuk Yayıncılık, Kayseri, 2003.
2. Schalkoff RJ, Artificial Neural Networks, McGraw-Hill Inc., Singapore, 1997.
3. Acar, E., Çalışkan A., Sezgin N. Gabor Dalgacık Dönüşümü Tabanlı Yapay Sinir Ağı Modeli ile Zambak Yaprağı İmgelerinden Pas Hastalıklarının Tespiti, Batman Üniversitesi Yaşam Bilimleri Dergisi Cilt1, Sayı 2 Batman, 2012.
4. Kılıç, E., Ecemiş, İN, İlhan, H.O. Narenciye Ağaç¸ Yaprak Hastalıklarının Evrişimli Sinir Ağları ile Sınıflandırılması. 5. International Symposium on Multidisciplinary Studies and Innovative Technologies. 2021.
5. Elmas, B., Evrişimli Sinir Ağları ile Mantar Görüntülerinden Mantar Türlerinin Transfer Öğrenme Yöntemiyle Tanımlanması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2021, Cilt 25, Sayı 1, 74-88.
6. Baranwal, S., Khandelwal, S., & Arora, A., Elma yaprakları hastalık tespiti için derin öğrenme evrişimli sinir ağı. Bilim, teknoloji ve yönetimde sürdürülebilir bilgi işlem (SUSCOM) üzerine uluslararası konferansın bildirilerinde, Amity Üniversitesi Rajasthan, Jaipur- Hindistan, Şubat 2019.
7. Koklu, M., Unlersen, MF, Ozkan, I. A., Aslan, M. F., & Sabanci, K., A CNN-SVM study based on selected deep features for grapevine leaves classification. Measurement, 188, 110425, 2022.
8. Ganguly, S., Bhowal, P., Oliva, D., & Sarkar, R., BLeafNet: a Bonferroni mean operator based fusion of CNN models for plant identification using leaf image classification. Ecological Informatics, 69, 101585, 2022.

9. Hoşgören, H. (2004). Güneydoğu Anadolu Bölgesinde Yetişen Onobrychis Miller Türlerinin Sistematik, Morfolojik ve Kromozom Sayısı Bakımından Araştırılması. D.Ü. Fen Bilimleri Enstitüsü. Doktora Tezi. Diyarbakır
10. Argüeso, D., Picon, A., Irusta, U., Medela, A., San-Emeterio, MG, Bereciartua, A., & Alvarez-Gila, A., Tarlada çekilen görüntüleri kullanarak bitki hastalıklarının sınıflandırılması için Few-Shot Learning yaklaşımı. Tarımda Bilgisayar ve Elektronik, 175 , 105542, 2020.
11. Jogekar, RN ve Tiwari, N., Bitki yaprağı hastalığının tanımlanması ve teşhisi için derin öğrenme tekniklerinin gözden geçirilmesi. Bilgi İşlem ve İletişimde Akıllı Trendler: SmartCom 2020 Bildiri Kitabı, 435-441, 2021.
12. Elçi, Ş., Anadolu’nun Önemli Yem Bitkilerinden Birkaç Korunga (Onobrychis) Türü Üzerinde Bazı Morfolojik ve Biyolojik Araştırmalar. Ziraat Fak. Yem Bit. Çayır ve Mera Kürsüsü, Ankara, 1994.
13. Hedge, IC, Onobrychis Adans. in Davis, P.H., Flora of Turkey and the East Aegean Island, Vol. 3, s. 560-589, Edinburg Univ. Pres, UK, 1970.
14. Zhou, S. R., Yin, J. P., Zhang, JM, Local binary pattern (LBP) and local phase quantization (LBQ) based on Gabor filter for face representation, Neurocomputing, Vol. 116, 260-264, 2013.
15. Zhao, G., Pietikainen, M., Dynamic texture recognition using local binary patterns with an application to facial expressions, IEEE transactions on pattern analysis and machine intelligence, 29 (6), 915-928. Ph.D. Thesis, North Dakota State University, North Dakota, USA, 2008.
16. Kaya, Y., Uyar, M., Tekin, R., Yildirim, S., 1D-Local Binary Pattern Based Feature Extraction for Classification of Epileptic EEG Signals. Applied Mathematics and Computation. 243. 10.1016/j.amc.2014.05.128, 2014.
17. Maenpaa, T., Pietikainen, M., Texture analysis with local binary patterns. Handbook of Pattern Recognition and Computer Vision. 10.1142/9789812775320_0011, 2005.
18. Goering, R., Matlab edges closer to electronic design automation world, EE Times, 2004.
19. Nabiyev, VV, Yapay Zeka: İnsan-Bilgisayar Etkileşimi, Seçkin Yayınevi .Ankara, 2010.
20. Anjanappa, D., Raja, D., Venugopal. K., Face Recognition Based on Windowing Technique Using DCT, Average Covariance and Artificial Neural Network. 335-342. 10.1109/ICIIBMS.2018.8549981, 2018.
21. Bouchrika, I., Harrati, N., Ladjailia, A., Khedairia, S., Age Estimation from Facial Images based on Hierarchical Feature Selection. 10.1109/STA.2015.7505156, 2015.
22. Hedge, I.C., Onobrychis Adans. in Davis, P.H., Flora of Turkey and the East Aegean Island, Vol. 3, s. 560-589, Edinburg Univ. Pres, UK., 1970.
23. Yılmaz, A., Yapay Zeka(5.Baskı). Ankara: Kodlab Yayıncılık, 2017.
24. Maaenpaaa,T., Pietikaainen M., Texture Analysis with Local Binary Patterns, University of Oulu. Jasitha, P., Dileep, MR ve Divya, M., Venasyon bazlı bitki, GoogLeNet ve VGG kullanarak sınıflandırmadan çıkar. 2019'da 4. Uluslararası Elektronik, Bilgi, İletişim ve Teknoloji Son Trendler Konferansı, mayıs 2019, (RTEICT) (s. 715-719). IEEE