Elmaların Görüntü İşleme Yöntemi ile Sınıflandırılması ve Leke Tespiti

Gıda Teknolojileri Elektronik Dergisi Cilt: 8, No: 1, 2013 (12-25) Electronic Journal of Food Technologies Vol: 8, No: 1, 2013 (12-25)

TEKNOLOJİK ARAŞTIRMALAR www.teknolojikarastirmalar.com e-ISSN:1306-7648

Makale (Paper)

Elmaların Görüntü İşleme Yöntemi ile Sınıflandırılması ve Leke Tespiti Mehmet Mahir SOFU1*, Orhan ER2, M.Cengiz KAYACAN3, Bayram CETİŞLİ4 1

Süleyman Demirel Üniversitesi, CAD/CAM Araştırma ve Uygulama Merkezi ISPARTA/TÜRKİYE* 2 Yalvaç Teknik Bilimler Meslek Yüksekokulu Bilgisayar Teknolojileri Bilgisayar Teknolojileri Bölümü YALVAÇ- ISPARTA/TÜRKİYE 3 Süleyman Demirel Üniversitesi, Makine Mühendisliği Bölümü ISPARTA/TÜRKİYE 4 Süleyman Demirel Üniversitesi, Bilgisayar Mühendisliği Bölümü ISPARTA/TÜRKİYE

*[email protected] Özet Serbest rekabetin hızla yaygınlaştığı, küreselleşen dünyada ticaretin olmazsa olmazları arasındaki kavramlar kalite, ekonomiklik ve müşteri memnuniyeti olarak söylenebilir. Her alanda acımasızca yaygınlaşan rekabet, tarım ve tarıma dayalı otomasyon sektöründe de hızla yaygınlaşmaktadır. Dünya ölçeğinde ülkemizin öne çıkan sektörleri arasında olan tarım ve tarıma dayalı sanayi sektöründe verimlilik, kalite ve otomasyona yönelik çalışmalar da son zamanlarda hız kazanmaktadır. Kalite ve verimlilik bakımından ton başına meyve işleme ve sınıflama için otomasyon büyük önem arz etmektedir. Meyvelerin kaliteli üretimiyle ilgili her türlü şartlar üreticiler tarafından sağlanmakta ya da sağlanmaya çalışılmaktadır. Buna rağmen sınıflama ve ambalajlamada aynı teknolojik seviye yakalanamamaktadır. Isparta ili elma üretimi bakımından Türkiye'de %19.78 pay ile ilk sırada yer almaktadır. Elmaların pazara sunulması sırasında, bölgede soğuk hava depolarında birçok sınıflama makineleri kullanılmaktadır. Bu makinelerin tam otomatik olanları elmaları renk ve boyut bakımından ayırt edebilmektedir. Elma üzerindeki lekeler (doğal leke, çürük, pas,) tespiti hala bir çalışma konusu olarak araştırılması devam etmektedir. Bu çalışmada elmalar üzerindeki renk, boyut ve lekelerin tespit edilmesi ve lekelerin sınıflandırılması amacı ile görüntü işleme yöntemi kullanarak çeşitli elmalar üzerinde çalışmalar yapılmıştır.

Anahtar Sözcükler: Görüntü işleme, elma sınıflandırma, leke tespiti,

Image Processing Method for Determination of Classification and Stain on Apples Abstract Free competition is rapidly becoming widespread, in a globalizing world of trade between the sine qua non of quality, affordability and customer satisfaction as it can be said. Spread relentlessly in every area of competition, are becoming increasingly common in agriculture and agriculture-based automation industry. World-wide in our country are among the prominent sectors of agriculture and agro-based industrial sector, productivity, quality and automation in recent times for the studies are gaining speed. Per ton in terms of quality and efficiency of automation is very important for fruit processing and classification. Related to the production of quality fruits provided by the manufacturer or is to make all kinds of conditions. Despite this classification, and packaging captured the same technological level. The province of Isparta in Turkey in terms of apple production is located in the first place with a share of 19.78%. During the launch of the apples in the region, many classification machines used in cold storage. These machines are able to distinguish between fully automatic ones in terms of size and color in apples. Apple on the spots (natural stain, bruise, rust,) as the subject of detection is still a work continues to investigate. In this study, detection of stains and spots on the apples with the aim of the classification method of image processing using a variety of studies were conducted on apples.

Key words: Machine vision, image prosessing, apple classification, stain determined Bu makaleye atıf yapmak için Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B., Elmaların Görüntü İşleme Yöntemi ile Sınıflandırılması ve Leke Tespiti” Gıda Teknolojileri Elektronik Dergisi, 2013, 8(1)12-25 How to cite this article Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B., “Image Processing Method for Determination of Classification and Stain on Apples” Electronic Journal of Food Technologies, 2013, 8(1)12-25

Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B.

Teknolojik Araştırmalar: GTED 2013 (8) 12-25

1. GİRİŞ Görüntü işleme kullanımı uygulamaları gıda sektörünün ve etkili tarımının gelişmesinde önemli bir yeri vardır. Örneğin mevcut kullanılan sınıflandırma sistemleri ile meyveler üzerinde ürün kalitesini etkileyecek renk ve boyut sınıflandırılmaları yapılmaktadır. Bu sistemler meyve ve sebzelerin çok seri bir şekilde istenilen kalite özelliklerine göre sınıflandırılmasına yardımcı olmaktadır. Aynı zamanda üreticinin meyve ve sebzesini en yüksek değerde pazarlamasına neden olmaktadır. Görüntü işleme sistemleri şu şekilde açıklanabilinir; İnsanlar için bazı görüntü işleme ışıkları görülebilirken bazı görüntü işleme ekipmanlarında UV, NIR, IR gibi infarred ve ultraviole ışınlar kullanılmaktadır [1]. Bu gözle gözükmeyen ışınların gıda uygulamalarında oldukça yararlı kullanım alanları sunmaktadır. Özellikle hastalıklı olup olmamaları, içyapılarının incelenmesi konularında önemli bilgileri sunmakta ve kalite, çeşitlilik ve gıda güvenliğini oldukça iyi desteklemektedir [2]. Görüntü işleme yöntemleri, tarım sektöründe kullanılması sonucunda etkili tarımın ve çeşitliliğin artması ile Pazar kalitesinin artması konularında önemli bir yere sahibidir. Bu çalışmada basit bir deney düzeneği ile Isparta bölgesinde bol bulunan çeşitli elmalar üzerinde renk, boyut ve leke sınıflandırma çalışmaları yapılarak mevcut literatüre katkı sağlanmaya çalışılmıştır. 2. DENEY MATERYELLERİ 2.1 Deney Düzeneği Tasarımı Literatür ışığında elde edilen bilgiler ile bilgisayar ortamında en uygun şekilde görüntü alınabilinecek bir deney düzeneği Şekil 1 deki gibi tasarlanmıştır. Bu tasarımda sistemin çalışma sürekliliğinin sağlanması için dairesel bir bant kullanılması düşünülmüştür. Deney düzeneğinin dairesel olması aynı zamanda aynı elma için ikinci bir görüntü işleminde sapma ve verim araştırılabilecektir. Tasarımda odaklama için kamera ve ışık sistemi bir asansör sistemi ile yukarı aşağı hareket ettirilebilecek şekilde dik tasarlanmıştır. Aydınlatma sistemi ışığın direkt veya dağıtılarak aydınlatma yapmasına olanak verecek şekilde tasarlanmıştır (şekil 2). Meyveler kamera önünden ikili sıra halinde geçerek aynı anda iki elma birden görüntü işlemeye tabi tutulması hedeflenmiştir.

Şekil 1. dairesel deney düzeneği tasarımı 15

Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti

Teknolojik Araştırmalar: GTED 2013 (8)14-25

Deney düzeneğinde görüntü işlemenin yapılacağı kısmın ayrıntıları şekil 2 deki gibi verilmiştir.

Şekil 2. görüntü işleme sisteminin ayrıntılı tasarımı Şekil 2 de görüldüğü gibi meyveler hem kendi eksenleri etrafında dönmekte hem de doğrusal olarak ilerlemektedir. Bu şekildeki sistemle meyvelerin kamera önünden geçerken tüm yüzeylerinin Görüntüsünün alınmasına olanak sağlamaktadır. 2.2 CCD kameralar: Görüntü işleme tekniklerinde kullanılan Kameralar kolay şekil tanıma ve boyut tanıma özelliğinde olmalıdır. Kameralar nesnelerin üzerindeki ışıkları toplar bunları bir elektriksek sinyale çevirirler. Doğrusal dizi CCD sensörler tek bir pozlama sırasında piksel denilen bir satır şeklinde anlam kazanır [3]. Çalışmamızda temel eleman olan kamera literatür ışığında, Matrix vision, mv blue fox -124c smart CCD olarak tespit edilmiştir. Kameranın özellikleri tablo 1. verilmiştir. Kamera hem renkli görüntü alabilirken hem de gri tonda görüntü alabilmektedir (Şekil 3). Saniyedeki görüntü yakalama hızı çözünürlük özelliğine göre oldukça hızlıdır. Görüntü alma hızı gerçek zamanlı çalışmada bant hızını oldukça etkilemektedir. Çalışmada kullanılan kamera istenirse gerçek zamanlı çalışma özelliğine sağlamış olmaktadır. Matrix kamera, USB bağlantısı ile her hangi bir bilgisayara kolaylık bağlanıp hemen veri aktarabildiği için ara eleman olan görüntü işleme kartına ihtiyacı yoktur.

16

Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B.

Teknolojik Araştırmalar: GTED 2013 (8) 12-25

Tablo 1. Matrix vision, mv blue fox -124c özellikleri Model ismi

-124c

Model tipi

G,C(G=gray (gri)),C= color(renkli))

Çözünürlük

1600x1200dpi

Maksimum görüntü yakalama (frame) hızı

16

Transfer tipi

Tam frame

Sensor formatı

1/1.8”

Piksel boyutu (genişlik x yükseklik)µm

4.4 x 4.4

Sensor formatı

1/1.8"

Uygulama zamanı

30µs – 10s

Overlap kapasitesi

Var

Görüntü hassasiyet

G,C

USB tipi

USB1.1 / USB2.0

Sensor üreticisi

sony

Sensor tipi

ICX274AL/AQ

Tablo 1. den de anlaşılacağı gibi kamera çözünürlüğü bu tip kameralar arasındaki en iyi değeri (1600x1200 dpi.) taşımaktadır. Kamera, programlama için kullanılması düşünülen Matlab programı ile uyum sağlamaktadır.

Şekil 3. Matrix vision, mv blue fox -124c Kameralar üzerinde görüntünün ışık şiddetini ve odaklamasını sağlayan lensler kullanılabilmektedir. Kamera üzerine elde edilen ve elde edilmesi istenen görüntülere göre farklı özelliklere göre farklı lensler uygulanabilinir. Literatür taramasında meyve ve gıda görüntü işlenmesi uygulamalarında kullanılanımı fazla olan iki farklı lens kullanılması uygun görülmüştür. Tarama alanı ve nesne uzaklığı dikkate alınarak tespit edilen iki lens tipinin ilkli Fujinon marka, HF16HA-1B model olan lenstir. Lens özellikleri Tablo 2. de verilmiştir. Seçilmiş olan lensler üç odak(focus) aralığında çalışmaktadır. Tablo 2. de görüldüğü gibi, 2/3”,1/2” ve 1/3” odak değerlerine sahip lens, bu özelliği ile nesne görme alanı istenen aralıkta ayarlanabilmektedir.

17

Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti

Teknolojik Araştırmalar: GTED 2013 (8)14-25

Tablo 2. Fujinon HF16HA-1B Montaj tipi Odak boyutu Min. Odak uzaklığı İris aralığı İris Odaklama Maksimum görünüş açısı Minimum nesne mesafesi Makro Ölçüleri Nesne mesafesi (en düşük aralık) 2/3" (mm) Nesne mesafesi (en düşük aralık) ½” (mm) Nesne mesafesi (en düşük aralık) 1/3” (mm) Ağırlık

C-montaj 2/3”,1/2”, 1/3” 16mm F1.4~F16 Elle Elle 17°04´yatay açı, 12°50'dikey açı 10cm Yok 29.5 x 29.5 x 29.5 mm 63x47 46x34 34x26 45gr

Tablo 2. de Minimum nesne odak uzaklığı 16mm olarak verilmiştir, fakat makro özelliği bulunmamaktadır. Şekil 4 de Fujinon marka lensi görebiliriz.

Şekil 4. Fujinon HF16HA-1B lens İkinci seçilen lens ise tamron marka, 219 hb model lens tipidir. Bu lensin özellikleri tablo 2. de verilen Fujinon lensin özellikleri ile aynı özelliklere sahip olmakla birlikte ekstradan arka odak (focus) özelliği ile minimum 8mm odak uzaklığı bulunmaktadır. 2.2 Işıklandırma Nesnelerin kamera önünde net olarak görüne bilmesi için bir ışık kaynağı kullanılması gerekmektedir. Profesyonel ışıklandırmada kullanım aralığı UV de 200-400nm VIS’de 400-700nm NIR700-2500nm dir. Bazı uygulamalarda termal görüntülemede 2500nm üzerine çıkmaktadır. Tarımsal ürünlerin yüzeylerinin görüntü işlemesinde işleme sisteminde aydınlatma çok önemli bir durum değildir. Florasan ışığı birçok sistemlerde uygun açı altında kullanılmaktadır. Yalnızca nesnelerin fiziksel şekilde net görülebilmelerini sağlamak yeterli olacaktır. Bir görüntü işlemede ışık seçimi uygulamaya bağlı olmaktadır. Son zamanlarda yapılan çalışmalarda led ışık kullanımı artmaktadır. Deney düzeneğinde kameranın, meyveler üzerinde ışık parlamalarının en az olması ve alınan görüntünün işlemler sırasında en kolay şekilde işlenebilmesi için karanlık bir ortam oluşturulmuştur. Bu ortam daha sonra beyaz led ışık uygulaması ile aydınlatılmıştır (Şekil 5). Led ışıklandırma sistemi doğrusal şekilde bir dizilime sahiptir. Ledlerin doğrusal dizilimi, tek bir noktadan çıkan ışık kaynağı oluşturmadığından elmaların etrafında her hangi bir görüntü yanıltıcı gölge oluşmamasını sağlamaktadır. Led ışıklarının beslemesi doğru akım (DC) üreteci tarafından beslenmektedir. LED ışıklar frekanslı akım ile beslenmesi durumunda frekanstan etkilenerek flâşör gibi yanıp sönme eğilimi göstermektedir. Bu durum da görüntüler üzerinde farklı sonuçlar alınmasına neden olmaktadır. 18

Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B.

Teknolojik Araştırmalar: GTED 2013 (8) 12-25

Şekil 5. Doğrusal led ışılandırma Tüm görüntü işleme ekipmanları kullanılarak Süleyman Demirel Üniversitesi CAD/CAM merkezinde yukarıda bahsedilen deney düzeneği oluşturulmuştur. (Şekil 6.)

Şekil 6. Deney düzeneği görünümü

Şekil 7. Görüntü işleme düzeneği tasarımı Görüntüler, dairesel bir bant üzerine yerleştirilmiş meyveler üzerinden, kapalı ve ışık almayan düzeneğin içerisinden geçerken alınmaktadır. Kamera, lens ve led ışıklar bu düzeneğin içerisine yerleştirilmiştir (şekil 7). Bu düzeneğin boyutları 50x30x50cm dir. Düzeneğin iç yüzeyi denemeler sırasında en iyi görüntünün elde edilebilmesi için siyah renk’e boyanmıştır. Ayrıca düzeneğin içi denemeler sırasında ayna koyularak ışığın nesne üzerine daha etkili aktarılması da düşünülmüştür. Led ışık kaynağının oluşturduğu beyaz ışık ile dışarıdan gelen farklı bir ışık ile karışmaması görüntünün saflığı açısından çok önem arz etmektedir. Düzenek, dışarıdan hiçbir ışık almaması için iyi bir yalıtıma sahiptir. Yazılım çalışmalarına bu deney düzeneğinde başlanmıştır. (şekil 8) 19

Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti

Teknolojik Araştırmalar: GTED 2013 (8)14-25

Şekil 8. sitemin genel görünüşü 2.3.Görüntü işleme analiz yazılımı: Dijital görüntü işlemede bilgisayar ile yapılan bilgi işlem üç ana başlık altında yapılabilinir. 1)görüntü geliştirme, 2)görüntü özellik çıkarımı, 3)görüntünün sınıflandırılması Görüntü geliştirme, yaygın bir dijital uygulama olup görüntünün düşük kontrast veya gürültü gibi sorunlarını çözmek içindir. Görüntü geliştirme morfolojik operasyonları içerir filtreler, yalıtma gibi prosedürler ve piksellerde oluşan tutarsızlıkları düzeltmek için kullanılır. Sonra görüntü özellikleri belirlenir, sonraki adımda sınıflandırmadır. Sinir ağları ve bulanık mantık gibi Sayısal teknikleri çıkarsama sistemleri başarıyla görüntü özelliği sınıflandırma için uygulanabilir. Uygun algoritmalı basit yazılımlarda kullanılabilinir. 3. METOT Elmaların görüntü işleme yöntemi ile tasniflenmesi ve leke tanımı için gerekli olan yazılım MATLAB programı kullanılarak geliştirilmiştir. Yazılımın temel fonksiyonu, mevcut elma bilgileri ile görüntüsü alınan elmaların karşılaştırmasını ve karşılaştırma sonucunu vermesi şeklinde çalışmaktadır. Elmaların mevcut standardı TSE’nin TS 100-2007 elma standardı ile ve bölgemizde faaliyet gösteren elma yetiştiricilerinden toplanan veriler bir tablo şekline getirilerek yazılımın veri tabanı oluşturulmuştur.

Görüntünün elde edilmesi

Görüntünün küçültülmesi

Binary resme çevrilmesi

Görüntünün iyileştirilmesi

Sınıflandırma

Şekil 9. Yazılımın girişinde yapılan işlemler. 20

Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B.

Teknolojik Araştırmalar: GTED 2013 (8) 12-25

Geliştirilen yazılımda meyvelerin renk, boyut ve leke tespiti yapılmaya çalışılmıştır. Yazılımda ilk olarak şekil 9 da verilen giriş kısmında fotoğrafın programa tanıtılması, işlem hızının daha iyi olması adına çözünürlük olarak küçültülmesi, elmanın olduğu kısmının çıkartılması işlemlerini kapsamaktadır. Ayrıca elde edilen görüntü R,G,B, matris şeklinde resmin renginin kırmızı, mavi, yeşil olacak şekilde değerleri çıkartılmıştır. 3.1 Boyut İlk önce Kamera ile elmanın durmuş olduğu bant yüzeyi arasındaki mesafeden kaynaklanan, gerçek boyut ile resimdeki boyut farkı tespit etmek üzere kamera önüne elma ile birlikte bir cetvel yerleştirilerek ve elmanın en ve boyunu ölçerek piksel değeri ile gerçek boyut arasında bir katsayı tespit edilmiştir. Yazılımda bu katsayı kullanılarak yazılım kalibre edilmiştir. Tablo 3 de Elmalarının piyasada ve TS 100-2007’de tasnif işlemlerinde uygulanan boyut değerleri verilmiştir. Bu değerlere göre yazılım şekil 10 daki gibi geliştirilmiştir.

Şekil 10. boyut analizi akış şeması

Tablo3. Isparta bölgesinde yetişen elmaların boyutlarına karşılık gelen sınıfı Elma boyutları

Karşılık gelen sınıfı

45-55mm çaplı

Çok küçük elma

55-65mm çaplı

Küçük elma

65-75mm çaplı

Orta boy

75-85mm çaplı

Büyük boy

85-95mm çaplı

Çok büyük boy

Elmaların çekilen görüntüleri (şekil 11a) çeşitli işlemlerden geçirildikten sonra (şekil 11b) görüntünün en geniş gelen en veya boy kısmı hesaplatılarak Tablo 2 de verilen bilgiler ile karşılaştırılmaktadır. Sonuç ekrana yazılmaktadır.

21

Teknolojik Araştırmalar: GTED 2013 (8)14-25

Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti

Şekil 11 a)çekilen görüntü b)işlenen görüntü 3.2 Renk Yazılımın renk ayırt eden kısmının akış şeması şekil12 de verilmiştir.

Şekil 12. Yazılım renk ayırt etme akış şeması Elmaların resimlerinin yalınlaştırılmış halinden renkleri RGB formatında olan (Red(kırmızı), Green(yeşil), Blue(mavi)) yoğunluğu hesaplanmış Resimde elde edilen renk değerleri biri biri arasında karşılaştırılarak ve daha sonra veri tabanında tanımlı değerlere en uygun aralıktaki sınıflama rengi tespit edilerek ekrana hangi renk oldukları yazdırılmaktadır. 3.3 Leke Elmalar üzerinde oluşan lekeler doğal olan ve doğal olmayanlar olarak ikiye ayrılmaktadır. Doğal olanlar zirai ilaç, mantar hastalıkları, ağaç haşereleri ve dolu zedelenmeleri olarak sıralanır, doğal olmayanlar ise hasattan sonra elmalar üzerinde oluşan çarpma ve vuruntular ile oluşanlardır. Lekelerin görüntü işleme sırasında karşılaşılan en büyük güçlük elmanın yapısında bulunan taç ve sap kısımlarının da leke gibi algılanılarak işlem görmesidir [4]. Leke için hazırlanan yazılımın leke üzerine yapılan çalışmalarda şekil 13 de verilen elma resminin aynı resmin lekeli halini tespit edebilmektedir.

Şekil 13. elma resim örnekleri Şekil 13 deki resim özellikle taç kısmı seçilerek işlenmiştir. Yazılım görüntüyü aldıktan sonra renk ve boyut tespiti yapıp daha sonra siyah beyaz şekle dönüştürmüş ve çeşitli filtre uygulamaları ile sınırlarını net çıkarmıştır. Son olarak görüntü içerisinde alan sınıflandırması yaparak belli bir değer üzerinde 22

Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B.

Teknolojik Araştırmalar: GTED 2013 (8) 12-25

bulunan alanları şekil 14 de görüldüğü üzere çıkarmıştır. Yazılım daha sonra bu alanların birden fazla olması ve belli bir değerin üzerinde olup olmadığına bakarak lekeli olup olmadığına karar vermektedir. Leke işlenmesi sonucunda şekil 14 deki görünen lekenin yeri tespit edilmiştir. Ayrıca lekelerin olduğu kısımlar farklı renkte alanlara ayrılmıştır. Şekil 15 de görüldüğü üzere kırmızı renkle görülen kısımlar elmanın kendi doğal alanları (taç ve benek), yeşil ile kalan bölge ise elma lekesini tarif etmektedir.

Şekil 14. Şekil 13 de ki elmaların yazılım tarafından işlendikten sonraki leke sınıflaması

Şekil 15. Lekelerin renk olarak sınıflandırılmış hali Yazılımın tamamlanmasının ardından endüstriyel kullanıma uygun hareketli bantlarda çalışabilecek gerçek zamanlı forma sokmak amacı ile yazılma bir ara yüz hazırlanarak tüm işlem ve ayarlar tek bir sayfa üzerinden kontrol edilebilmektedir. (şekil 16)

Şekil 16. Yazılımın ara yüzünün ana sayfası 23

Elmaların görüntü işleme yöntemi ile sınıflandırılması ve leke tespiti

Teknolojik Araştırmalar: GTED 2013 (8)14-25

4. BULGULAR Toplam 201 elma fotoğrafı üzerinde yapılan çalışmalarda renk tahminleri tablo 4’de verilen sonuçlara ulaşılmıştır. Tablo 4. renk tahminleri sonucu Elma Elma Cinsi Adet Starkink 30 Golden 9 Fuji 57 Granny Smith 54 Braburn 51 Toplam 201

Doğru Sonuç 30 9 57 54 49 199

Sınıflandırma Başarısı ( %) 100 100 100 100 96 99.00

Tablo5. Elma cinsleri sınıf tahmini sonuçları Elma Elma Cinsi Adet Starkink 30 Golden 9 Fuji 57 Granny Smith 54 Braburn 51 Toplam 201

Doğru Sonuç 28 9 55 51 49 192

Sınıflandırma Başarısı ( %) 93 100 96 94 96 95.52

Leke üzerinde 10 adet lekeli elma üzerinde yapılan çalışmada 7 âdeti lekeli olarak tespit emiştir. Verim olarak yaklaşık %70 verimle çalışmaktadır. Leke üzerindeki çalışmalar hala sürdürülmekte verim yükseltilmeye çalışılmaktadır. 5. TARTIŞMA VE SONUÇ Fotoğrafları çekilen farklı renk elmaların yazılım tarafından yapılan renk, boyut sınıflandırmasında bir sıkıntı ile karşılaşılmamıştır. Elmaların taç ve sap kısımları leke sınıflamasında hala bir problem olmaktadır. Literatürde yapılan incelemeler neticesinde taç ve sap kısımlarının, kamera önüne konulan filtreler taç ve sap kısmının elmanın kendi rengine dâhil edilebileceğinden leke sınıflandırmada kolaylık sağladığından bahsedilmiştir.

24

Sofu, M.M., Er, O., Kayacan, M. C., Cetişli, B.

Teknolojik Araştırmalar: GTED 2013 (8) 12-25

Şekil 16. çeşitli nm lerdeki filtrelerin görüntüleri Şekil 16 da Devrim Unay’ın yaptığı çalışmada farklı nm lerdeki filtrelerin görüntüleri verilmiştir. Bu fotoğraflarda görüldüğü gibi 750nm ve 800nm deki filtrelerle çekilmiş olan fotoğraflarda taç kısmı elma rengine dâhil olunurken lekeler olduğu gibi kalmaktadır [5]. Fakat gerçek zamanlı çalışmada ve renk leke haricindeki diğer özelliklerin tespitinde bu filtreler ile elde edilmiş görüntülerin kullanımı sıkıntı oluşturacaktır. Bu çalışmada yapılan yazılımda leke yazılım içinde çeşitli kombinasyonlardaki fonksiyonlar ile çözülmeye çalışılmıştır. Yazılım filtre gibi ek ekipmana gerek duyulmadan leke sınıflaması yapabilmektedir. Literatür çalışmalarının geneli gerçek zamanlı çalışma yerine çekilen fotoğraflar üzerinde görüntü işleme yapılmaktadır. Bu çalışmada sürekli akan bir bandın üzerinden gerçek zamanlı olarak fotoğraf çekilip sınıflandırma işlemi yapılmıştır. Yazılımın işleme süresi işleme yapan bilgisayarın kalitesine göre değişmektedir. İ7 işlemcili Laptop’ta 1 ila 1,5 sn arası bir elmanın sınıflandırma süresi tutmaktadır. 6. KAYNAKLAR 1. Yud-Ren C., Kuanglin C., Moon S. K., 2002, Machine vision technology for agricultural Applications, Computers and Electronics in Agriculture, 36, 173-191 2. Chen P., McCarthy M.J., Kauten R., 1989, NMR for internal quality evaluation of fruits and vegetables, Trans. ASAE, (32), 1747–1753 3. Rigney, M.P., Brusewitz, G.H., Stone, M.L., 1996, Peach physical characteristics for orientation. Trans ASAE 39, 1493-1497. 4. Unay D., Gosselin B, 2006, Apple stem and calyx recognition by decision trees, erişim tarihi :17.02.2013, http://www.tcts.fpms.ac.be/publications/papers/2006/viip06_dubgod.pdf 5. Unay D., Gosselin B., 2006b, Automatic defect segmentation of ‘Jonagold’ apples on multispectral images: A comparative study, Postharvest Biology and Technology 42, 271–279

25