Detection and classification of hazelnut fruit by using image processing techniques and clustering methods

Abstract

In this study, the objects found in the environment are detected and classified in real time, the results obtained are presented. Hazelnut fruit is used in the experimental studies of the proposed method. The image belongs to hazelnut that is in a work environment is taken with the camera, it is processed by using image processing techniques. The size and area data of hazelnut on the image plane is calculated. By evaluating the obtained data, the hazelnut is divided into three classes as small (K1), medium (K2) and big (K3) in real time application. This process is performed using mean-based classification and K-means clustering methods. Detection and classification of cluster centers is provided by using the information database obtained from the data of hazelnut fruit. Hazelnut fruits found in the experimental environment are determined with 100% accuracy using image processing techniques. The classification of hazelnut fruits using the mean-based and K-means clustering methods has been compared. As a result of the comparison, it is observed that the two methods realized are similar ratio of 90% to 100%.

Keywords

• Image Processing,Object Detection,Morphology,Momentum,Clustering

Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması

Abstract

Yapılan çalışmada, ortamda bulunan nesnelerin gerçek zamanlı olarak tespit edilmesi, sınıflandırılması ve elde edilen sonuçlar sunulmaktadır. Önerilen yönteme ait deneysel çalışmaların gerçekleştirilmesinde fındık meyvesi kullanılmaktadır. Çalışma ortamında bulunan fındıklara ait görüntü, kamera ile alındıktan sonra görüntü işleme teknikleri kullanılarak işlenmektedir. Fındıkların görüntü düzlemi üzerinde kapladıkları boyut ve alan verileri hesaplanmaktadır. Elde edilen veriler değerlendirilerek, fındıklar gerçek zamanlı olarak küçük (K1), orta (K2) ve büyük (K3) olmak üzere üç sınıfa ayrılmaktadır. Bu işlem ortalama tabanlı sınıflandırma ve K-means kümeleme yöntemleri kullanılarak gerçekleştirilmektedir. Küme merkezlerinin belirlenmesi ve sınıflandırma işlemi fındık meyvesi verilerinden elde edilen bilgi veritabanı kullanılarak sağlanmaktadır. Çalışma ortamında bulunan fındık meyveleri, görüntü işleme teknikleri kullanılarak %100 başarımla tespit edilmektedir. Fındık meyvelerinin, ortalama tabanlı ve K-means kümeleme yöntemleri kullanılarak sınıflandırılması karşılaştırılmaktadır. Karşılaştırma sonucunda, gerçeklenen iki yöntemin %90 ile %100 oranında benzerlik gösterdiği bulunmaktadır.

Keywords

• Görüntü İşleme,Nesne Tespiti,Morfoloji,Moment,Kümeleme

References

1. 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.
2. Latha, M., Poojith, A., Reddy, B. A., & Kumar, G. V. (2014). Image Processing in Agriculture. International Journal of Innovative Research In Electrical, Electronics, Instrumentation And Control Engineering, 2(6).
3. 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).
4. Sert, E., Taşkın, D., & Suçsuz, N. (2010). Görüntü İşleme Teknikleri İle Şeftali Ve Elma Sınıflandırma. Trakya Univ J Sci, 11(2), 82-88.
5. 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.
6. Demirbaş, H.Y. Ve İ. Dursun, (2007), “Buğday tanelerinin bazı fiziksel özelliklerinin görüntü işleme tekniğiyle belirlenmesi” Ankara Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi, 13 (3) 176-185
7. Bayrakdar, S., Çomak, B., Başol, D., & Yücedag, İ. (2015, May). Determination of type and quality of hazelnut using image processing techniques. In Signal Processing and Communications Applications Conference (SIU), 2015 23th (pp. 616-619). IEEE.
8. Guvenc, S. A., Senel, F. A., & Cetisli, B. (2015, May). Classification of processed hazelnuts with computer vision. In Signal Processing and Communications Applications Conference (SIU), 2015 23th (pp. 1362-1365). IEEE.

9. Balcı, M., Altun, A. A., & Taşdemir, Ş. (2016). Görüntü İşleme Teknikleri Kullanılarak Napolyon Tipi Kirazların Sınıflandırılması. Selçuk-Teknik Dergisi, 15(3), 221-237
10. Beyer, M., Hahn, R., Peschel, S., Harz, M., & Knoche, M. (2002). Analysing fruit shape in sweet cherry (Prunus avium L.). Scientia Horticulturae, 96(1), 139-150.
11. 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.
12. 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.
13. Jain, A. K., & Dubes, R. C. (1988). Algorithms for clustering data. Prentice-Hall, Inc.
14. Pratt W (2007) Digital image processing Wiley-Interscience
15. Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. " O'Reilly Media, Inc.".
16. Solak S., (2016), “Gezgin Robotların Konum Belirleme ve Engel Sakınım Probleminin Tek Kartlı Bilgisayar Sistemi Kullanılarak Çözümü”, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi
17. Suzuki, S. (1985). Topological structural analysis of digitized binary images by border following. Computer vision, graphics, and image processing, 30(1), 32-46.
18. Kaufman, L., Rousseeuw, P., J., (1987) “Clustering by means of medoids”, Statistical Data Analysis Based on The L1–Norm and Related Methods, 405–416.
19. MacQueen, J. Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics, 281--297, University of California Press, Berkeley, Calif., 1967. http://projecteuclid.org/euclid.bsmsp/1200512992.
20. France, S. L., Carroll, J. D., & Xiong, H. (2012). Distance metrics for high dimensional nearest neighborhood recovery: compression and normalization. Information Sciences, 184(1), 92-110.
21. Solak S., (2016), “Gezgin Robotların Konum Belirleme ve Engel Sakınım Probleminin Tek Kartlı Bilgisayar Sistemi Kullanılarak Çözümü”, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi.
22. Suzuki, S. (1985). Topological structural analysis of digitized binary images by border following. Computer vision, graphics, and image processing, 30(1), 32-46.
23. Kaufman, L., Rousseeuw, P., J., (1987) “Clustering by means of medoids”, Statistical Data Analysis Based on The L1–Norm and Related Methods, 405–416.
24. MacQueen, J. Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics, 281--297, University of California Press, Berkeley, Calif., 1967. http://projecteuclid.org/euclid.bsmsp/1200512992.
25. France, S. L., Carroll, J. D., & Xiong, H. (2012). Distance metrics for high dimensional nearest neighborhood recovery: compression and normalization. Information Sciences, 184(1), 92-110.