Yapay zeka örüntü tanıma algoritması kullanarak sınıflandırma otomasyonunun tasarımı
| dc.contributor.advisor | Kuşçu, Hilmi | |
| dc.contributor.author | Toylan, Hayrettin | |
| dc.date.accessioned | 2014-06-12T11:57:35Z | |
| dc.date.available | 2014-06-12T11:57:35Z | |
| dc.date.issued | 2012 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Makine Mühendisliği Ana Bilim Dalı | en_US |
| dc.description | Doktora Tezi | tr |
| dc.description.abstract | 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 fark lı 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 kapsamın da 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 onbir elemanlı öznitelik alt kümesine indirgenmiş ve bu öznitelikler alt kümesi, sınıflandırıcıya girdi sağlamıştır. Örüntüleri tanımlama aşamasında ise Destek Vektör Makineleri (DVM) ve 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, iikusurlar 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. | en_US |
| dc.description.abstract | Abstract | en_US |
| dc.description.abstract | As part of this thesis, a functional apple classification system has been developed, in line with the expectations that apple producers have of a pple 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 o f 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 u ser - 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 sep aration (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 (Regu lar, 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 processi ng 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 patt erns, 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 se parated 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 a s an input to the classifier. In the pattern classification phase, the DVM and K - nearest - neighbor classification algorithms have been tested. As a r esult of these tests, the Gaussian Radial Basis F unction (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), w ith a maximum success rate of 90 % over diverse training and test groups. I n 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 runnin g on the PLC, through measurements, using the load - cell, of the force of weight created by the mass. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.14551/1061 | |
| dc.identifier.yoktezid | 312993 | en_US |
| dc.language.iso | tr | en_US |
| dc.publisher | Trakya Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Makine Görmesi | en_US |
| dc.subject | Elma Sınıflandırma | en_US |
| dc.subject | Görüntü İşleme | en_US |
| dc.subject | Örüntü Tanıma | en_US |
| dc.subject | Destek Vektör Makineleri | en_US |
| dc.subject | Machine Vision | en_US |
| dc.subject | Pple Classification | en_US |
| dc.subject | Image Processing | en_US |
| dc.subject | Pattern Recognition | en_US |
| dc.subject | Support Vector Machine | en_US |
| dc.title | Yapay zeka örüntü tanıma algoritması kullanarak sınıflandırma otomasyonunun tasarımı | en_US |
| dc.title.alternative | Classification automation design using an artificial intelligence pattern recognition algorithm | en_US |
| dc.type | Doctoral Thesis | en_US |
| dc.type.description | No: 0120388 | en_US |
