Yapay sinir ağları ile görüntü işlemeye dayalı uzaklıktan bağımsız ağırlık tahmin sistemi: yumurta ve portakal örnekleri

Öz

Endüstriyel ve akademik çalışmalarda objelerin ağırlıklarının ölçülmesi oldukça önemli bir yere sahiptir. Bu nedenle gerçekleştirilmiş olan bu çalışmada yapay sinir ağları (YSA) kullanılarak görüntü işlemeye dayalı uzaklıktan ve kamera açısından bağımsız ağırlık tahmini yapılması amaçlanmıştır. Yapay sinir ağı yapısı olarak ileri beslemeli çok katmanlı algılayıcı (multi-layer perceptron - MLP) ve radyal tabanlı fonksiyon (radial basis function - RBF) ağı kullanılmıştır. Ağırlığı tahmin edilecek obje olarak da portakal ve yumurta örnekleri belirlenmiştir. Bu örnekler ile sistemin eğitilmesi ve test edilmesi için; 4 farklı marka ve 4 farklı sınıf (çok büyük - büyük - orta - küçük) olacak şekilde 250 adet yumurta örneği ve farklı boyutlarda 150 adet portakal örneği seçilmiştir. Bu örnekler kullanılarak; yumurta için dik açı, pozitif açı ve negatif açı ile elde edilmiş 750 adet görüntü içeren, portakal için de dik açı, pozitif açı ve negatif açı ile elde edilmiş 450 adet görüntü içeren bir veri tabanı oluşturulmuştur. Oluşturulan bu ağırlık tahmin sistemi; bir adet kamera, yapay aydınlatma sistemi, yansıtıcılar ve referans görüntüden oluşmaktadır ve ayrıca ağırlık tahmin işlemi sırasında MATLAB programı ve araç kutuları kullanılmıştır. Bu çalışmada farklı öznitelik vektörleri, farklı açılardan çekilmiş görüntüler ve farklı YSA parametreleri test edilerek başarımı en yüksek olan sistemin kurulması hedeflenmiştir. Her bir değişiklik sonucu oluşturulan sistem beşer kez çalıştırılarak sonuçların aritmetik ortalaması alınmıştır. Ayrıca başarımı en yüksek olan denemenin, k-katlı çapraz doğrulama yöntemi ile de başarımı hesaplanmıştır. Hassas tartı ile yapılan ölçümlerde, Türk Gıda Kodeksi Yumurta Tebliği’ne göre belirlenmiş ve yumurta kutularının üzerinde yazan sınıflandırma değerlerine göre doğruluk oranı %47 iken, gerçekleştirilen bu çalışma sonucunda bu oran MLP’de % 90.50’e, RBF’de % 86.30’e çıkarılmıştır. Ayrıca ağırlık tahmininin başarımı; MLP için yumurta örneğinde % 99.42, portakal örneğinde % 98.20 ve RBF için yumurta örneğinde % 99.43, portakal örneğinde %98.25 olarak hesaplanmıştır.

Anahtar Kelimeler

• Ağırlık tahmini,Yapay sinir ağı,Radyal tabanlı fonksiyon,Sayısal görüntü işleme,Yapay sinir ağı,Çok katmalı algılayıcı

Distance independent weight estimation system based on image processing with artificial neural networks: egg and orange samples

Öz

Measuring the weights of the objects in industrial and academic studies is highly important.  Therefore, it is aimed to perform weight estimation as independent of distance and camera angle using artificial neural networks (ANN) based on image processing procedure in this study. Feed-forward multi-layer perceptron (MLP) and radial basis function (RBF) network were used as artificial neural network structure. Orange and egg were selected as sample objects to be estimated the weights. To train and test the system with these samples, 250 eggs samples from 4 different brands and classes (x-large, large, medium, and small) and 150 oranges samples with different sizes were selected.  Using these samples, a database containing 750 images for eggs and 450 images for oranges taken under the right angle, positive angle and negative angle was created. The weight estimation system consists of a camera, artificial lighting system, reflector and reference image and also the MATLAB program and toolboxes were used during the weight estimation process.  In this study, to establish a system with highest success value was aimed by testing the different feature vectors, images taken from different angles and different ANN parameters.  The system created by each change was run five times and arithmetic mean of the results was taken.  In addition, the experience, which has the highest success value, was also calculated by K-fold cross validation method to obtain the success value. While the accuracy rate obtained from the results weighted by accurate weighting instrument is 47% according to definition of Turkish food codex egg communique and classification values written on the egg cartoon, this rate was increased to 90.5% for MLP, 86.3 5 for RBF in this study.  Moreover, the success rates of the weight estimation for MLP and RBF were calculated as 99.42% for eggs, 98.20% for oranges and 99.43% for eggs, 98.25% for oranges, respectively.

Anahtar Kelimeler

• Weight estimation,Digital image processing,Artificial neural network,Multi-layer perceptron,Radial basis function

Kaynakça

1. Alikhanov, D., Penchev, S., Georgieva, T., Moldajanov, A., Shynybaj, Z., & Daskalov, P. (2015). Indirect Method for Egg Weight Measurement Using Image Processing. International Journal of Emerging Technology and Advanced Engineering, 5, 30-34.
2. Asadi, V., & Raoufat, M. H. (2010). Egg weight estimation by machine vision and neural network techniques (a case study fresh egg). International Journal of Engineering, Technology and Natural Sciences, (2), 1-4.
3. Aydar U. (2007). Cephe değerlendirmelerinde fotogrametrik ve görselleştirme yöntemlerinin kıyaslanması (Yüksek Lisans Tezi). İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
4. Çelebi, Ş., & Karaca, H. (2006). Yumurtanın besin değeri, kolesterol içeriği ve yumurtayı n-3 yağ asitleri bakımından zenginleştirmeye yönelik çalışmalar. Atatürk Üniversitesi Ziraat Fakültesi Dergisi, 37(2), 257-265.
5. Çelik, Y., & Şengül, T. (2001). Şanlıurfa ili kentsel alanında tüketicilerin yumurta tüketim düzeyleri ve tüketim alışkanlıklarının belirlenmesi. Hayvansal Üretim, 42(2).
6. Çiçekgil, Z. (2014). Kümes hayvancılığı ürün raporu, https://arastirma.tarim.gov.tr/tepge/Lists/Haber/Attachments/18/KANATLI_URUN _RAPORU_2014.pdf (Erişim Tarihi: 10.02.2018).
7. Çölkesen, İ. (2009). Uzaktan algılamada ileri sınıflandırma tekniklerinin karşılaştırılması ve analizi (Yüsek Lisans Tezi). Gebze Yüksek Teknoloji Enstitüsü Mühendislik ve Fen Bilimleri Enstitüsü, Kocaeli, Türkiye.
8. Doğan, H., (2008). Adana‘da satışa sunulan yumurtalarda sunuş çeşitliliği ve kalite değişimi üzerine bir çalışma (Yüsek Lisans Tezi). Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana, Türkiye.

9. Gonzalez, A., Satterlee, D. G., Moharer, F., & Cadd, G. G. (1999). Factors affecting ostrich egg hatchability. Poultry science, 78(9), 1257-1262.
10. Hartley, R., & Zisserman, A. (2003). Multiple view geometry in computer vision. Cambridge university press.
11. Haykin, S. (1994). Neural networks: a comprehensive foundation. Prentice Hall PTR.
12. Heikkila, J., & Silven, O. (1997, June). A four-step camera calibration procedure with implicit image correction. In cvpr (Vol. 97, p. 1106).
13. Hockaday, S., Ross, L. G., & Tillett, R. D. (1997). Using stereo image pairs to measure mass in strains of Atlantic salmon, Salmo salar L. Sensors and Their Applications VIII, Section A Environmental and Biomedical Sensors, 7, 21-26.
14. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: springer.
15. Javadikia, P., Dehrouyeh, M. H., Naderloo, L., Rabbani, H., & Lorestani, A. N. (2011, December). Measuring the weight of egg with image processing and ANFIS model. In International Conference on Swarm, Evolutionary, and Memetic Computing (pp. 407-416). Springer, Berlin, Heidelberg.
16. Kashiha, M., Bahr, C., Ott, S., Moons, C. P., Niewold, T. A., Ödberg, F. O., & Berckmans, D. (2014, October). Weight Estimation of Pigs Using Top-View Image Processing. In International Conference Image Analysis and Recognition (pp. 496-503). Springer, Cham.
17. Kraus, K. (2007). Fotogrametri. Cilt 1, Nobel Yayın Dağıtım.
18. Kriesel, D., (2005). A brief introduction to neural networks, http://www.dkriesel.com/en/science /neural_networks (Erişim Tarihi:4 Kasım 2017).
19. Kohavi, R. (1995, August). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai(Vol. 14, No. 2, pp. 1137-1145).
20. Lines, J. A., Tillett, R. D., Ross, L. G., Chan, D., Hockaday, S., & McFarlane, N. J. B. (2001). An automatic image-based system for estimating the mass of free-swimming fish. Computers and Electronics in Agriculture, 31(2), 151-168.
21. Omid, M., Khojastehnazhand, M., & Tabatabaeefar, A. (2010). Estimating volume and mass of citrus fruits by image processing technique. Journal of food Engineering, 100(2), 315-321.
22. Şalvarcı, Ü.B., Ayten, U.E., (2017). Yapay sinir ağları kullanılarak imgelerden yumurta ağırlığının uzaklıktan bağımsız sezimi. SIU, 1-4, Antalya.
23. Şalvarcı, Ü.B. (2017). Yapay sinir ağları kullanarak görüntü işlemeye dayalı ağırlık tahmini (Yüksek Lisans Tezi). Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
24. Wilson, H. R. (1991). Interrelationships of egg size, chick size, posthatching growth and hatchability. World's Poultry Science Journal, 47(1), 5-20.
25. URL-1: Withings, (2011). A short history of the weighing scale. https://blog.withings.com/2011/09/30/a-short-history-of-the-weighing-scale-2/ (Erişim Tarihi: 30.03.2019).
26. URL-2: Psikolojik, yapay sinir ağları, http://www.psikolojik.gen.tr/yapay-sinir-aglari.html, (Erişim Tarihi: 7 Kasım 2017).
27. URL-3: Safari book online, Multi layer perceptron, https://www.safaribooksonline.com/library/view/getting-started-with/9781786468574/ch04s04.html, (Erişim Tarihi: 10 Kasım 2017).
28. URL-4: DTREG, RBF neural networks, https://www.dtreg.com/solution/view/25, (Erişim Tarihi: 8 Kasım 2017).
29. URL-5: Gıda Tarım ve Hayvancılık Bakanlığı, (2014), Türk Gıda Kodeksi Yumurta Tebliği http://www.resmigazete.gov.tr/eskiler/2014/ 12/20141220-5.htm (Erişim Tarihi: 19 Mart 2018).