Implementation and performance evaluation of classifiers SVM, CNN and ANN in vineyard estimation
Üzüm salkımı meyvelerinin tanınması amacıyla DVM, ESA ve YSA sınıflayıcılarının gerçekleştirilmesi ve başarılarının belirlenmesi
- Tez No: 608994
- Danışmanlar: PROF. DR. SAMİ ARICA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Üzüm Tespiti, Üzüm Salkımı Tespiti, YGH, YİÖ, DBSCAN, DVM, YSA ve ESA, Grape detection, grape bunch detection, HOG, LBP, DBSCAN, SVM, ANN and CNN
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
Üzüm tespiti, hasat, ilaçlama ve verim tahmini çiftçiler için zor faaliyetlerdir. Bu işlem zaman alıcıdır ve işgücüne ihtiyaç duymaktadır (bir maliyet artışı) ve üstelik her zaman yeterince başarılı değildir. Bu nedenle, günümüzde akıllı robotlar yardımı ile hasat araştırılmaktadır ve şu anda tarımda kullanımı artmaktadır. Bu çalışmada verim tahmininde kullanmak maksadıyla üzüm meyveleri ve üzüm salkımlarının otomatik olarak tanınabilmesi için bir algoritma önerilmektedir, Tanıma işlemi farklı boyut ve renklerde, doğal ışık ve farklı görüntü kontrastları dahil olmak üzere farklı aydınlatma koşullarında çekilmiş, üzüm meyvelerinin yüksek çözünürlüklü görüntülerinde yapılmaktadır.. Bu tezde, makine öğrenme yöntemlerinden Evrişimsel Sinir Ağı (ESA), Yapay Sinir Ağı (YSA) ve Destek-Vektör-Makine- (DVM) kullanılarak bir üzüm salkımı ve meyvesinin tanınması üzerine bir çalışma sunulmuştur. Yerel İkili Örüntü (YİÖ), Yönlendirilmiş Gradyentlerin Histogramı (YGH) ve her iki özelliğin birleşimi özellik vektörleri olarak kullanılmıştır. Ücretsiz olarak kullanıma açık İzlanda veri seti, tek bir üzüm tanesinin algılama ve sınıflandırma eğitimi için uygulanmıştır. Veriler (üzüm tanesi ve üzüm tanesi olmayan iki sınıf içerir. Üzüm tanesi tanıma işleminde YGH + YİÖ kombinasyonu özellikleri kullanan YSA sınıflandırıcısının ortalama doğruluk, hassasiyet ve duyarlılık ölçütleri sırasıyla % 99,64 ± 0.073, % 99.70 ± 0,094 ve% 99,59 ± 0,117'dir ve elde edilen en başarılı sonuçlardır. Üzüm ağacı görüntülerinde üzüm salkımı ve meyve saptama için önerilen yöntem, Hızlı Radyal Simetri Dönüşümü üzün tanesi merkezini (ilgi noktası) bulmak için kullanır. Önce özellik çıkarımı ve sınıflandırma, her bir ilgi noktasında çok ölçekli bir yaklaşımla hesaplanmaktadır. Daha sonra, DBSCAN (yoğunluk tabanlı tarama) metodu üzüm demetlerini kümeler. Her kümenin uzamsal dağılımı ve gelişmiş bir demet algılaması için uzaklık dönüşümünden faydalanılır. Üzüm salkım tespitinin ortalama doğruluğu % 91,72 ± 2,88 ve meyve saptama için% 89,82 ± 2,58 olarak bulunmuştur. Üzüm salkımının başarı ölçütü piksellerinin üzüm yada üzüm değil olarak elle işaretlenmesiyle hesaplanmıştır. Yöntem farklı aydınlatma ve resim okuma koşuları olan dört farklı renkte üzüm üzerinde test edilmiştir. Ortalama üzüm salkımı belirleme doğruluğu, duyarlılık ve özgüllük ortalamaları sırasıyla % 96,97 ± 0,95, % 97.57 ± 0.969 ve% 89,28 ± 3,83 dır.
Özet (Çeviri)
Grape detection, harvesting, spraying, and yield estimation are difficult activities for farmers. They take time and many workers (cost) and, moreover, are not always accurate. Therefore, harvesting with the aid of smart robots is now being explored and is currently a frontline problem in agriculture. The experiment presents an algorithm for the automatic visible recognition of grape berries and grape bunches so that they can be counted for yield estimation. Recognition is based on high-resolution images of grape berries of different sizes and colors and taken under different illumination conditions, including natural light, and different image contrasts. In this thesis, presented a grape bunch and berry recognition by employing machine learning methods; Convolution Neural Network (CNN), Artificial Neural Network (ANN) and Support-Vector-Machine-(SVM). Histogram of Oriented Gradients (HOG), The Local Binary Pattern-(LBP), and combination of both attributes have been used as feature vectors. The approach has been implemented in the freely available Iceland dataset for single berry detection and classifier train. The data contain two classes (berry and non-berry). ANN classifier with HOG+LBP (combination) features show better results in single berry recognition with an average of accuracy, precision and recall are 99.64±0.073 %, 99.70±0.094%, and 99.59±0.117% respectively. Besides on the time of detection. The proposed method for grape bunch and berry detection in field images uses a Fast Radial Symmetry Transform (FRST) as interest point detector. In the next, feature extraction and classification are computed in each interest point with a multi-scale approach. Afterwards, a DBSCAN method defines the number of grape bunches. Each cluster's spatial distribution and needs to close bunch separation for an improved bunch detection. The average accuracy of grape bunch detection 91.72±2.88% and 89.82±2.58% for berry detection. Grape bunch detection and a comparison of berry and non-berry pixels were studied, using ground-truth the labels are made manually. Four different colors of grape images, with a diversity of illuminations and acquisition protocol, were tested, with an average of the correct rate, sensitivity, and specificity are 96.97±0.95%, 97.57±0.969%, and 89.28±3.83% respectively in pixels of berry classification. Results show good performance with no need for special illumination, not require color feature used which allows recognition for white and red grapes as well as the bunch detection scheme working in varying scenarios.
Benzer Tezler
- Tıkayıcı uyku apnesinin konuşma sinyallerinin doğrusal olmayan analizleri ile tespit edilmesi
Determination of obstructive sleep apnea with nonlinear analysis of speaking signals
YASEMİN UYAR TOPRAK
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiBiyomedikal Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA YILMAZ
DOÇ. DR. METİN YILDIZ
- Beyin tümörlerinin sınıflandırılması için bilgisayar destekli tanı sisteminin tasarlanması ve uygulanması
Design and implementation of a computer-aided diagnosis system for brain tumor classification
BİLAL ARTUK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
PROF. DR. RÜŞTÜ GÜNTÜRKÜN
- Destek vektör makinelerinin etkin eğitimi için yeni yaklaşımlar
New approaches for effective training of support vector machines
EMRE ÇOMAK
Doktora
Türkçe
2008
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ARSLAN
- Face detection by machine learning algorithms
Makine öğrenme algoritmalarıyla yüz tespiti
AHMED AMEER HAMDI HAMAMCHI
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN ŞENGÜL
- Buzlanma tahmini için bir algoritma geliştirilmesi ve mobil uygulamasının gerçekleştirilmesi
Development of an algorithm for icing forecast and implementation of mobile application
HATİCE TIRAŞOĞLU
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. FECİR DURAN