Journal Article

·2019 OPEN ACCESS

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

Ünsal Burak Şalvarcı YTU , Umut Engin Ayten YTU

Journal of Geodesy and Geoinformation

Abstract

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.

Keywords

Physics Gynecology Mathematics Medicine

Subject Areas

Industrial Vision Systems and Defect Detection ·Industrial and Manufacturing Engineering ·Physical Sciences
Image Processing Techniques and Applications ·Media Technology ·Physical Sciences
Medical Image Segmentation Techniques ·Computer Vision and Pattern Recognition ·Physical Sciences

Citations by Year