Yapay zeka örüntü tanıma algoritması kullanarak sınıflandırma otomasyonunun tasarımı
Classification automation design using an artificial intelligence pattern recognition algorithm
- Tez No: 312993
- Danışmanlar: YRD. DOÇ. DR. HİLMİ KUŞÇU
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: Türkçe
- Üniversite: Trakya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 139
Özet
Bu tez çalışmasında elma üreticilerinin elma sınıflandırma makinesinden beklentileri doğrultusunda, fonksiyonel bir elma sınıflandırma sistemi geliştirilmiştir. Geliştirilen elma sınıflandırma sisteminde, kullanıcının tercihine göre birbirinden bağımsız olarak çalıştırılabilen üç farklı sınıflandırma seçeneği sunulmuştur. Bunlar, elmaların renk ve boyuna göre sınıflandırılması, elmaların yüzey kalitesine göre sınıflandırılması ve elmanın kütlesine göre sınıflandırılmasıdır. Bu üç farklı sınıflandırma uygulaması için donanıma uygun olarak algoritma tasarlanmış ve gerçekleştirilmiştir.Bu tez kapsamında özellikle elmaların renk/boyuna ve yüzey kalitesine göre sınıflandırılması işlemi üzerinde durulmuş ve bu iki sınıflandırma işlemini gerçekleştirmek üzere, gerçek zamanlı çalışan makine görme sistemi tasarlanmıştır. Bununla birlikte makine görme sisteminde bulunan kullanıcı tercihli bu iki yazılım, MATLAB GUI kullanılarak yazılan arayüz ile desteklenmiştir.İlk yazılım, elmaları renk ve boylarına göre dört farklı sınıfa ayırmaktadır. Bu işlem görüntünün elde edilmesini takiben, çoklu renk uzayı kullanılarak, arka plan ayırma (maskeleme), elmanın renginin belirlenmesi ve elmanın boyunun belirlenmesi ile gerçekleştirilmiştir. Tasarlanan sistem ile Golden, Starking ve Jonagold türü elmalar renklerine göre iki (Kırmızı-Sarı) ve boylarına göre de iki (Normal-İri) olmak üzere toplamda dört sınıfa ayrılırlar. Bu sınıflandırma işlemi %100' e yakın bir başarı oranı ile bir dakikadan daha az bir sürede, 95 adet elma sınıflandırabilme başarısı göstermiştir.İkinci yazılımda, starking türü elmaların yüzey kalitesine göre sınıflandırılmasını sağlayan, görüntü işleme temelli akıllı bir örüntü tanıma algoritması gerçekleştirilmiştir. Örüntü tanıma algoritması, arka plandan ayrılan elma görüntüsünün bölütlenmesi, örüntülerin özniteliklerinin çıkarılması, öznitelik seçimi ve örüntünün sınıflandırılması basamaklarından oluşur. Bu çalışmada, çoklu-renk uzayı kullanılarak, arka plandan ayrılan elma görüntüsünün bölütlenme işleminden sonra elde edilen örüntülerine ait istatistiksel, dokusal ve şekilsel özelliklerini içeren yirmi beş öznitelik çıkarılmıştır. Bu öznitelikler, Ardışık Geri Yönde Kayan Seçim (SBFS) öznitelik seçim yöntemi ile ayırt ediciliği daha yüksek on bir elemanlı öznitelik alt kümesine indirgenmiş ve bu öznitelikler alt kümesi, sınıflandırıcıya girdi sağlamıştır. Örüntüleri tanımlama aşamasında ise Destek Vektör Makineleri (DVM) ve k En Yakın Komşuluk (k-EYK) sınıflandırma algoritmaları test edilmiştir. Bu testler sonucunda, sınıflandırma hassasiyeti bakımından Gaussian Yarıçap Temelli Fonksiyon çekirdekli, DVM öne çıkarak, farklı eğitim ve test gruplarında en yüksek %90 doğruluk oranı ile örüntüleri, kusurlar ve diğerleri (elma sapı, çiçek çukuru ve sağlıklı dokular) olarak iki gruba sınıflandırma başarısı göstermiştir. Sonuç olarak, elma yüzeyinde bulunan ve kusur olarak tanımlanan örüntülerin toplam alanına göre elmalar, Ekstra, Sınıf 1, Sınıf 2 ve Reddedilen şeklinde dört sınıfa ayrılmışlardır.Bu tez çalışmasında, makine görme sisteminden bağımsız üçüncü bir elma sınıflandırma tercihi olarak kütle duyarlı elma sınıflandırma sistemi de geliştirilmiştir. Bu sistemde kütlesi belirlenmiş elmalar, Programlanabilir Mantıksal Denetleyici (PLC)'de yazılan algoritma yardımıyla, kütlenin oluşturduğu ağırlık kuvveti yük hücresi tarafından ölçülerek, dört farklı kütle sınıfına ayrılmışlardır.
Özet (Çeviri)
As part of this thesis, a functional apple classification system has been developed, in line with the expectations that apple producers have of apple classification machines. In the apple classification system that was developed, three separate classification options are provided that may be operated independently of each other according to the user?s preference. The options are the classification of apples by color and size, the classification of apples by surface quality, and the classification of apples by mass. For these three separate classifications, algorithms conforming to the hardware have been designed and implemented.Within the scope of this thesis, the emphasis has been on classification of apples by color/size and surface quality, and a machine vision system operating in real-time has been designed. Additionally, these two software components of the machine vision system, which are user-selectable, have been supported with an interface developed using the MATLAB GUI.The first software component classifies apples into four categories based on color and size. This process is accomplished, following image capturing, by background separation (masking), determining the apple?s color using multi-color spaces, and by determining apple size. Using the designed system, Golden, Starking and Jonagold apples are separated into four categories, two per color (Red, Yellow) and two per size (Regular, Large). This classification process has been successful in classifying 95 apples in less than one minute with a success rate close to 100%.The second software component implements an intelligent pattern recognition algorithm based on image processing that allows Starking apples to be classified per their surface quality. The pattern recognition algorithm is comprised of the steps for segmentation of the apple image that has been separated from the background, extraction of the attributes of the patterns, attribute selection, and classification of the pattern. In this study, twenty-five attributes have been extracted containing features relating to statistics, texture, and shape of the patterns obtained following the segmentation of the apple image separated from the background using multi-color spaces. Using the SBFS attribute selection method, these attributes have been reduced to an eleven-element sub-cluster with a higher distinguishing capability, and this attribute sub-cluster has been provided as an input to the classifier. In the pattern classification phase, the DVM and K-nearest-neighbor classification algorithms have been tested. As a result of these tests, the Gaussian Radial Basis Function (RBF) kernel DVM stood out in terms of precision of classification, and was successful in classifying patterns into two groups, faulty and others (apple stem, apple calyx, and healthy tissue), with a maximum success rate of 90% over diverse training and test groups. In conclusion, apples have been classified into four categories, Extra, Grade 1, Grade 2, and Rejects, based on the total area on the surface of the apple of the patterns classified as faults.In this thesis, an option for a third, mass-sensitive apple classification system, independent of the machine vision system, has also been developed. In this system, apples whose masses have been determined are then classified into four separate mass categories with the help of an algorithm developed for and running on the PLC, through measurements, using the load-cell, of the force of weight created by the mass.
Benzer Tezler
- Zeki sınıflandırma ve kümeleme yöntemlerinin tıbbi tanı ve tedavide kullanımı
The usage of intelligent classification and clustering methods in medical diagnosis and treatment
UĞUR ERKİN KOCAMAZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN TAŞKIN
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Üniversite giriş sınavında öğrencilerin başarılarının veri madenciliği yöntemleri ile tahmin edilmesi
The estimation of students? successes in university entrance exam by data mining methods
HANİFE GÖKER
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. HALİL İBRAHİM BÜLBÜL