Hyperspectral imaging and machine learning of texture foods for classification

Abstract

Bu doktora çalışmasının temel amacı hiperspektral görüntüleme ve makine öğrenmesi ile aflatoksinli pul biberleri temiz biberlerden, hızlı ve tahribatsız bir şekilde ayırabilecek bir bilgisayarla görü sistemi geliştirmektir. Türkiye'nin değişik bölgelerinden toplanmış değişik biberlerin halojen ve UV altındaki hiperspektral görüntüleri elde edilmiştir. Nicemlenmiş ardışık bantların piksel farklarının mutlak değeri temelli yeni bir öznitelik kümesi önerilmiştir. Spektral bant enerjisi ve ardışık bantların piksel farklarının mutlak değeri kullanılarak elde edilen öznitelikler ile Teager enerji işlemi ve iki boyutlu dalgacık dönüşümü Yerel Ayırtaç Tabanları (YAT) temelli öznitelikler karşılaştırılmıştır. Öznitelik seçimi için Fisher ayrımsallık gücü, bilgi teorisi yaklaşımı en küçük fazlalık en büyük ilişki (KFBİ) ve önerilen çok katmanlı algılayıcı (ÇKA) tabanlı teknikler kullanılmıştır.Son olarak, Doğrusal Ayrımsallık Sınıflandırıcısı (DAS), Destek Vektör Makineleri (DVM) ve Yapay Sinir Ağları (YSA) modelleri sınıflandırıcı olarak kullanılmıştır. Ortalama doğruluk başarım ölçütüne göre ÇKA`ların daha iyi sonuçlar verdiği gözlemlenmiştir. Önerdiğimiz yöntemlerin başarımı ve gürbüzlüğü, değişik veri kümeleri üzerinde gösterilmiştir. Yüksek sınıflandırma başarımı ve gürbüz sınıflandırıcı elde etmek için, halojen ışıklandırma ile birlikte ardışık spektral bantların mutlak değer fark özniteliklerinden meydana gelen bilgisayarla görü sisteminin kullanılması tavsiye edilmektedir.

In this thesis the main objective is to design a machine vision system that classifies aflatoxin contaminated chili peppers from uncontaminated ones in a rapid and non-destructive manner via hyperspectral imaging and machine learning techniques. Hyperspectral image series of chili pepper samples collected from different regions of Turkey have been acquired under halogen and UV illuminations. A novel feature set based on quantized absolute difference of consecutive spectral band features is proposed. Spectral band energies along with absolute difference energies of the consecutive spectral bands are utilized as features and compared with other feature extraction methods such as Teager energy operator and 2D wavelet Linear Discriminant Bases (2D-LDB). For feature selection, Fisher discrimination power, information theoretic Minimum Redundancy Maximum Relevance (mRMR) method and proposed Multi Layer Perceptron (MLP) based feature selection schemes are utilized.Finally, Linear Discriminant Classifier (LDC), Support Vector Machines (SVM) and MLP are used as classifiers. It is observed that MLP outperforms other learning models in terms of predictor performance. We verified the performance and robustness of our proposed methods on different real world datasets. It is suggested that to achieve high classification accuracy and predictor robustness, a machine vision system with halogen excitation and quantized absolute difference of consecutive spectral band features should be utilized.