Yıl 2019, Cilt 11 , Sayı 1, Sayfalar 335 - 341 2019-01-31

Bruise Detection Using Faster R-CNN
Faster R-CNN Kullanarak Elmalarda Çürük Tespiti

Onur CÖMERT [1] , Mahmut HEKİM [2] , Kemal ADEM [3]


In this study, it is aimed to classify of the apples as bruised and robust by using Faster R-CNN which is one of the convolutional neural network methods on images taken from apple fruit. In the proposed model, the process steps are the image acquisition-preprocessing, the determination of the caries regions, and the classification of the apples. During the image acquisition-preprocessing phase, a NIR camera is used, which is located within a designed image acquisition platform. In the study, a total of 1200 images were obtained from 6 different angles of each of a total of 200 apples, 100 of which were bruised and 100 of which were robust. In the pre-processing phase, adaptive histogram equalization, edge detection, morphological operations are applied to these images, respectively. Caries were identified with the Faster R-CNN model trained using new images with improved visibility by applying preprocessing. In classification phase, 84.95% correct classification rate has been reached in the detection of bruised and robust apples. As a result, it is thought that the proposed model can be used for automatic detection of bruised and robust apples in juice food industry.

Bu çalışmada, elmalardan alınan görüntüler üzerinde evrişimsel sinir ağı yöntemlerinden olan Faster R-CNN kullanılarak elmaların çürük ve sağlam olarak sınıflandırılması amaçlanmaktadır. Önerilen modelde işlem adımları sırasıyla görüntü alma-önişleme, çürük bölgelerin tespit edilmesi ve elmaların sınıflandırması şeklindedir. Görüntü alma-önişleme aşamasında, tasarlanan bir görüntü alma platformu içerisinde bulunan NIR kamera kullanılmıştır. Çalışmada 100’ü çürük ve 100’ü sağlam olan toplam 200 adet elmanın her birinin 6 farklı açısından toplam 1200 adet görüntü elde edilmiştir. Önişleme aşamasında, bu görüntülere sırasıyla uyarlamalı histogram eşitleme, kenar bulma, morfolojik işlemler uygulanmıştır. Önişlem uygulanarak görünürlüğü iyileştirilen yeni görüntüler kullanılarak eğitilen Faster R-CNN modeli ile çürük bölgeler tespit edilmiştir. Sınıflandırma aşamasında, çürük ve sağlam elmaların tespit edilmesinde %84,95 doğru sınıflandırma oranına ulaşılmıştır. Sonuç olarak, önerilen modelin meyve suyu gıda sanayisinde çürük ve sağlam elmaların otomatik olarak tespit edilmesinde kullanılabileceği düşünülmektedir. 

  • Artık, N. (2017, 13 Haziran). Meyve ve sebze üretim teknolojisi. Ankara Üniversitesi Ders Notları. Erişim: http://acikders.ankara.edu.tr/pluginfile.php/8059/mod_resource/content/0/1.%20hafta.pdf
  • Pandey, R., Naik, S., & Marfatia, R. (2013). Image processing and machine learning for automated fruit grading system: a technical review, International Journal of Computer Applications, 81, 29-39.
  • Xing, J., & Baerdemaeker, J. D. (2005). Bruise detection on ‘Jonagold’ apples using hyperspectral imaging, Postharvest Biology and Technology, 37(2), 152-162.
  • Mohana, S. H., & Prabhakar, C. J. (2015). Stem-Calyx Recognition of an Apple using Shape Descriptors. Signal & Image Processing : An International Journal (SIPIJ), 5(6), 17-31.
  • Dubey, S. R., & Jalal, A. S. (2016). Apple disease classification using color, texture and shape features from images, Signal, Image and Video Processing, 10(5), 819-826.
  • Sa, I., Ge, Z., Dayoub, F., Upcroft, B., Perez, T., & McCool, C. (2016). Deepfruits: A fruit detection system using deep neural networks, Sensors, 16(8), 1222.
  • Fuentes, A., Yoon, S., Kim, S. C., & Park, D. S. (2017). A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition, Sensors, 17(9), 2022.
  • Lu, Y., & Lu, R. (2017). Histogram-based automatic thresholding for bruise detection of apples by structured-illumination reflectance imaging, Biosystems Engineering, 160, 30-41.
  • Zhang, S., Wu, S., Zhang, S., Cheng, Q., & Tan, Z. (2017). An effective method to inspect and classify the bruising degree of apples based on the optical properties, Postharvest Biology and Technology, 127, 44-52.
  • [Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, 147, 70-90.
  • [Özcan, H. (2014). Çok Düşük Çözünürlüklü Yüz İmgelerinde Derin Öğrenme Uygulamaları, Yüksek Lisans Tezi, Bilgisayar Müh. Bölümü, Deniz Harp Okulu, İstanbul, Türkiye.
  • Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks, In Advances in neural information processing systems, 1097-1105.
  • Bengio, Y., Goodfellow, I., & Courville, A. (2016). Deep Learning, Cambridge, İngiltere, MIT yayınevi, 9, 326-366.
  • Girshick, R. (2015). Fast r-cnn, Proceedings of the IEEE international conference on computer vision, Santiago, Chile, 1440-1448.
  • Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis & Machine Intelligence, 6, 1137-1149.
  • Yang, S., Fang, B., Tang, W., Wu, X., Qian, J., & Yang, W. (2017). Faster R-CNN based microscopic cell detection, In Security, Pattern Analysis, and Cybernetics (SPAC), Shenzhen, China, 345-350.
Birincil Dil tr
Konular Mühendislik, Ortak Disiplinler
Bölüm Makaleler
Yazarlar

Yazar: Onur CÖMERT (Sorumlu Yazar)
Kurum: TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ
Ülke: Turkey


Yazar: Mahmut HEKİM
Kurum: TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ
Ülke: Turkey


Yazar: Kemal ADEM
Kurum: TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ
Ülke: Turkey


Tarihler

Yayımlanma Tarihi : 31 Ocak 2019

APA CÖMERT, O , HEKİM, M , ADEM, K . (2019). Faster R-CNN Kullanarak Elmalarda Çürük Tespiti. International Journal of Engineering Research and Development , 11 (1) , 335-341 . DOI: 10.29137/umagd.469929