You are here

Fıstık sınıflandırma sistemi için Siirt fıstığı imgelerinden gürbüz özniteliklerin çıkarılması

Extraction of robust features from Siirt pistachio images for pistachio sorting system

Journal Name:

Publication Year:

Keywords (Original Language):

Author NameUniversity of Author
Abstract (2. Language): 
Siirt pistachio is mostly consumed as fresh cookies in the market because it consists of more coarsegrained than other types of pistachio varieties and differs according to the aromas and taste. In order to gain customer satisfaction, Siirt pistachio having annual production capacity of 25 thousand tons should be subjected to the fully automatic sorting and grading processes based on the quality standards. Currently classification process is carried out via manual labor and mechanical tools. Man powered classification is a time consuming, boring and inefficient process. In addition to this, such a process carries several risks in terms of food hygiene. On the other hand, mechanical sorting systems (vibration based and pin pickers) cannot achieved desired classification accuracies anymore. Consequently a fully automated system based on machine vision is required. In this study it is aimed to develop various image processing methods for extracting robust features from the acquired images of Siirt pistachio samples for using pistachio sorting and grading system. Thus diameter ratio, pistachio area and edge length over area features are extracted from the acquired images. Extracted proposed features are provided as input parameters for offline classification. Pistachios are grouped into colossal, big, medium, small, shell and uncracked classes by domain expert based on Turkish quality standards. Dataset is constructed from the totally 600 pistachios (each group has 100 samples). Naïve Bayes, Artificial Neural Network (ANN) and Support Vector Machine (SVM) are used as classifiers. Classifiers are evaluated based on generalization accuracies and Type II error (false negative or severe error) criterion. ANN having 83.33% accuracy outperforms others. ANN and Naïve Bayes are also selected as winner classifiers based on severe error (Type II error or false negative) constraint. In addition to these, proposed pistachio sorting and grading systems is subjected to the real time performance testing with respect the computational cost criteria. Experiments revealed that considering three images, total processing speed of one pistachio sample is approximately 314ms which indicates that average processing speed of the proposed pistachio grading system is 3nuts per second. Another significant fact is related to the computational cost of the Canny edge detector algorithm. It holds about 230ms for three images and therefore Canny edge process is the most expensive part that should be addressed in the future. It should be noted that the processing performance of the proposed system is for the single channel. Therefore customers can purchase several channels in order to establish parallel processing mechanism according to their needs and factory processing potentials. Consequently, ANN and Naïve Bayes classifiers along with proposed robust features are recommended to be using in pistachio sorting and grading system.
Abstract (Original Language): 
Siirt fıstığı diğer fıstık çeşitlerine göre daha iri taneli oluşu, aroma ve tadındaki farklılıklarından dolayı Antep fıstığı çeşidine göre piyasada çoğunlukla taze çerez olarak tüketilmektedir. Yıllık ortalama 25 bin ton üretim kapasitesi olan Siirt fıstık çeşidinin yurtiçi ve dışında pazarlanabilmesi ve müşteri memnuniyetini kazanabilmesi için kalite standartlarına göre bir sınıflandırma ve derecelendirme işlemine tabi tutulması gerekmektedir. Hâlihazırda sınıflandırma işlemi manuel olarak işçiler ve mekanik araçlar kullanılarak yapılmaktadır. İnsan gücü ile sınıflandırma işlemi uzun zaman alan, sıkıcı ve verimi düşük bir süreçtir. Bununla birlikte söz konusu işlem gıda hijyeni açısından da riskler taşımaktadır. Diğer taraftan mekanik araçlar (titreşim temelli elekler ve iğneli sınıflandırıcılar) istenilen doğrulukta sınıflandırma yapamamaktadırlar. Sonuç olarak bilgisayar görü tabanlı tam otomatik bir fıstık sınıflandırıcı sistemine gereksinim duyulmaktadır. Bu çalışmamızda, Siirt fıstığının kalite standartlarına göre sınıflandırılması işleminde kullanılmak üzere görüntüleri alınan Siirt fıstığı numunelerinden ayrımsallık gücü yüksek özniteliklerin çıkarılması için çeşitli imge işleme yöntemlerinin geliştirilmesi hedeflenmiştir. İmgelerden çapların oranı, fıstık alanı ve kenar alan oranı öznitelikleri çıkarılmıştır. Elde edilen gürbüz öznitelik vektörü çevrim dışı (offline) sınıflandırma işlemine girdi parametresi olarak verilmiştir. TSE standartlarına göre fıstıklar, alan uzmanı tarafından danışmalı öğrenme maksadıyla ekstra iri, iri, orta, küçük, kabuk ve çatlamamış sınıflarına ayrılmışlardır. Her bir fıstık grubunda 100 adet fıstık olacak şekilde toplam 600 adet fıstık numunesinden örüntüler çıkarılmıştır. Çevrimdışı (Offline) sınıflandırmada Naive Bayes, Yapay Sinir Ağları (YSA) ve Destek Vektör Makineleri (DVM) algoritmaları kullanılmıştır. Sınıflandırma algoritmaları kendi aralarında genel sınıflandırma başarımları ve 2.tip hata (Type II error, severe error, false negative) ölçütlerine göre karşılaştırılmıştır. Genel sınıflandırma başarısına göre %83.33 doğruluk oranı ile YSA en iyi sınıflandırıcı olarak tespit edilmiştir. 2.tip hata ölçütünde yine YSA ve Naive Bayes sınıflandırıcıları seçilmiştir. Sonuç olarak sunulan gürbüz öznitelik vektörü çerçevesinde YSA ve Naive Bayes sınıflandırıcılarının fıstık sınıflandırma sistemi için kullanılması önerilmektedir. Yapılan gerçek zamanlı testlerde bir fıstık numunesi için öznitelik çıkarımı ve sınıflandırma işlemlerinin süresi toplamda yaklaşık 314 ms olarak hesaplanmıştır.

REFERENCES

References: 

Cetin, A.E., Pearson, T.C., Tewfik, A.H., (2004).
“Classification of closed-and open-shell pistachio
nuts using voice- ecognition technology”.
Transactions-American Society of Agricultural
Engineers, 47, 2, 659-664.
Ghazanfari, A., Irudayaraj, J., Kusalik, A.,
Romaniuk, M., (1997). “Machine vision grading
of pistachio nuts using Fourier
descriptors”, Journal of agricultural engineering
research, 68, 3, 247-252.
Ghazanfari, A., Wulfsoh, D., Irudayaraj, J., (1998).
“Machine vision grading of pistachio nuts using
gray-level histogram”, Canadian Agriculture
Engineering, 40(1): 61-66.
Hall, M., Frank E., Holmes G., Pfahringer B.,
Reutemann P., Witten I., (2009). “The WEKA
data mining software: an update”, ACM SIGKDD
explorations newsletter, 11,1, 10-18.
Omid, M., Mahmoudi, A., Omid, M. H., (2009). “An
intelligent system for sorting pistachio nut
varieties”, Expert Systems with Applications, 36,
9, 11528-11535.
Omid, M., (2011). “Design of an expert system for
sorting pistachio nuts through decision tree and
fuzzy logic classifier”. Expert Systems with
Applications, 38, 4, 4339-4347.
Pearson, T., (1996). “Machine vision system for
automated detection of stained pistachio
nuts”, LWT-Food Science and Technology, 29 3,
203-209.
Pearson, T.C., (2001). “Detection of pistachio nuts
with closed shells using impact acoustics”,
Applied Engineering in Agriculture, 17, 2, 249-
253.
Pearson, T., Toyofuku, N., (2000). “Automated
sorting of pistachio nuts with closed
shells”, Applied Engineering in Agriculture, 16,
1, 91-94.
T.C. Gıda Tarım Ve Hayvancılık Bakanlığı, “Siirt ili
tarımsal yatırım rehberi”, https://www.tarim.
gov.tr/SGB/TARYAT/Belgeler/il_yatirim_rehber
leri/siirt.pdf, Son erişim tarihi: 28 Eylül 2015.

Thank you for copying data from http://www.arastirmax.com