Classification of pistachios based on outer shell color using deep learning

Yıl 2022, , 461 - 466, 18.07.2022

Hakan Aktaş

https://doi.org/10.28948/ngumuh.1064522

Cited By: 2

Öz

Pistachio is a product with high commercial value and Turkey has a serious production and export potential in this field. The harvesting and sorting of these products is as important process as their cultivation. Classification of pistachios according to their outer shell color after harvest is one of the important processes that must be done before presenting the pistachio to market. In this study, deep learning techniques were used to sort the pistachios according to their outer color. The data set required for the extract process was obtained using an industrial experimental setup. The AlexNet structure was trained and tested with these data sets. The network structure was trained and tested for two different percentages (70%, 15%, 15% and 60%, 20%, 20%) and three different data numbers to investigate the effect of training, validation and test data in different percentages and numbers on test accuracy. The highest test accuracy was calculated as 98.44% by using of 60%, 20%, 20% percentages and 580x2, 193x2 and 193x2 data for training, validation and testing, respectively. Classification process has been performed with deep learning techniques with high accuracy. Network structures trained with the developed industrial data set are at a level to obtain high accuracy in industrial sorting machines.

Anahtar Kelimeler

Image processing, Deep learning, Pistachio, Sorting systems

Antep fıstığının derin öğrenme ile dış kabuk rengine göre sınıflandırılması

Öz

Antep fıstığı, ticari değeri yüksek bir ürün olup; Türkiye bu alanda ciddi bir üretim ve ihracat potansiyeline sahiptir. Bu ürünlerin yetiştirilmesi kadar toplanması ve ayıklanması da bir o kadar önemli bir işlemdir. Antep fıstıklarının toplandıktan sonra dış kabuk renklerine göre sınıflandırılması fıstığın pazarlanmasından önce yapılması gereken önemli işlemlerden bir tanesidir. Bu çalışmada Antep fıstığının dış rengine göre ayıklanması için derin öğrenme teknikleri kullanılmıştır. Ayıkla işlemi için gerekli olan veri seti endüstriyel bir deney düzeneği kullanarak elde edilmiştir. AlexNet yapısı, elde edilen bu veri setleri ile eğitilip test edilmiştir. Yine farklı yüzdelerdeki ve sayılardaki eğitim, doğrulama ve test verilerinin test doğruluğuna etkisini araştırmak için iki farklı yüzde (%70,%15,%15 ve %60,%20,%20) ve üç farklı sayıda veri seti için ağ yapısı eğitilmiş ve test edilmiştir. En yüksek test doğruluğu %60,%20,%20 oranlarına ait eğitim, doğrulama ve test için sırasıyla 580x2, 193x2 ve 193x2 adet verinin kullanılması ile %98.44 olarak hesaplanmıştır. Ayıklama işlemi derin öğrenme teknikleri ile yüksek doğruluklarda gerçekleştirilmiş olup; geliştirilen endüstriyel veri seti ile eğitilmiş ağ yapıları endüstriyel ayıklama makinelerinde yüksek doğrulukta çalışabilecek seviyededir.

Anahtar Kelimeler

Görüntü İşleme, Derin Öğrenme, Antep Fıstığı, Ayıklama Sistemleri

Teşekkür

Veri setlerinin oluşturulması için Antep fıstıklarının toplanması ve ulaştırılmasında emeği geçen Haleplioğlu Şirketi ve Hacıbekirlioğlu şirketi (sayın Mehmet Bostancı) ve nazik destekleri için Gaziantep İl Müdürlüğü'nden Sedat Gökoğlu'na (Ziraat Mühendisi) ve Dr.Öğr.Üyesi Tefide Kızıldeniz'e teşekkür ederim.

Kaynakça

• Y. E. Ertürk, M. K. Geçer, E. Gülsoy ve S. Yalçin, Antepfıstığı üretimi ve pazarlaması., Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 5(2), pp. 43-62, 2015.
• İ. C. Bilim, R. Polat, K. Sarpkaya, N. Doğruer Kalkancı, N. Yıldırım ve A. Yaman, Antepfıstığı Entegre İşletme Tekniğinin Geliştirilmesi, https://kutuphane.tarimorman.gov.tr/vufind/Record/18984/Description Accessed 3 Jan 2022
• Y. Gezginç ve A. D. Duman, Antep fıstığı işleme tekniği ve muhafazasının kalite üzerine etkisi, Gıda, c. 29(5), Eki. 2004
• rekoltedunyasi.com, https://rekoltedunyasi.com/arastirma/Antepfistigi-ile-ilgili-saptamalar/ Accessed 4 Jan 2022
• T. C. Pearson, M. A. Doster and T. J. Michailides, Automated detection of pistachio defects by machine vision., Applied Engineering in Agriculture, 17(5), p. 729–732, 2001.
• A. Ghazanfari, J. Irudayaraj, A. Kusalik and M. Romaniuk, Machine vision grading of pistachio nuts using Fourier descriptors, Journal of agricultural engineering research, 68(3), 247-252, 1997.
• R. P. Haff and T. Pearson, Spectral band selection for optical sorting of pistachio nut defects, Transactions of the ASABE, 49(4), pp. 1105-1113, 2006. https://doi.org/10.13031/2013.21716
• J. Ghezelbash, A. M. Borghaee, S. Minaei, S. Fazli and M. Moradi, Design and implementation of a low cost computer vision system for sorting of closed-shell pistachio nuts, African Journal of Agricultural Research, 8(49), pp. 6479-6484, 2013. https://doi.org/10.5897/AJAR10.1162
• K. Sabancı, M. Köklü and M. F. Ünlersen, Classification of Siirt and long type pistachios (pistacia vera l.) by artificial neural networks., International Journal of Intelligent Systems and Applications in Engineering, p. 86–89, 2015. https://doi.org/ 10.18201/ijisae.74573
• H. Nouri-Ahmadabadi, M. Omid, S. S. Mohtasebi and M. S. Firouz, Design, development and evaluation of an online grading system for peeled pistachios equipped with machine vision technology and support vector machine, Information Processing in Agriculture, 4(4), pp. 333-341, 2017. https://doi.org/10.1016/ j.inpa.2017.06.002
• E. C. Tetila, B. B. Machado, G. Astolfi, N. A. de Souza Belete, W. P. Amorim, A. R. Roel and H. Pistori, Detection and classification of soybean pests using deep learning with UAV images., Computers and Electronics in Agriculture, 179,105836, pp. 1-11, 2020. https://doi.org/10.1016/j.compag.2020.105836
• Z. Ünal, Smart farming becomes even smarter with deep learning—A bibliographical analysis, IEEE Access, 8, pp. 105587-105609, 2020. https://doi.org/ 10.1109/ACCESS.2020.3000175
• F. Kurtulmuş, Identification of sunflower seeds with deep convolutional neural networks, Journal of Food Measurement and Characterization, 15(2), pp. 1024-1033, 2021. https://doi.org/10.1007/s11694-020-00707-7
• A. Krizhevsky, I. Sutskever and G. E. Hinton, Imagenet classification with deep convolutional neural networks, Advances in Neural Information Processing Systems, 25, pp. 1097-1105., 2012.
• K. Simonyan and A. Zisserman, Very deep convolutional networks for large-scale image recognition, International Conference on Learning Representations (ICLR 2015), San Diego, 2014.
• C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens and Z. Wojna, Rethinking the inception architecture for computer vision, in In Proceedings of the IEEE conference on computer vision and pattern recognition, Las Vegas, USA, 2016. https://doi.org/10.1109/ CVPR.2016.308
• F. Chollet, Xception: Deep learning with depthwise separable convolutions, in In Proceedings of the IEEE conference on computer vision and pattern recognition, Honolulu, USA, 2017.
• A. R. Jha, Mastering PyTorch, USA: Packt, 2021.
• H. Aktaş, T. Kızıldeniz and Z. Ünal, Classification of pistachios with deep learning and assessing the effect of various datasets on accuracy. Journal of Food Measurement and Characterization, 1-14, 2022 https://doi.org/10.1007/s11694-022-01313-5