Görüntü işleme tekniği ile ekmeklik buğday çeşidinde kaliteye esas bazı özelliklerin belirlenmesi

Abstract

Tarımsal ürünlerde kalite, pazarlamada önemli faktörlerden biridir. Bu nedenle, kalite kontrol sistemlerinde sınıflandırma makineleri önemli bir yer tutar. Günümüzdeki sınıflandırma makinelerindeki en etkin yöntem görüntü işlemedir.Bu çalışmanın amacı, CUMHURİYET-75 ekmeklik buğday çeşidinin bazı kalite kriterlerinin; kırık tane, yabancı ot (yabani hardal ve yabani yulaf), ve diğer hububat (mısır ve arpa), ?MATLAB? programı yardımıyla görüntü işleme ve yapay sinir ağı (YSA) tekniklerini kullanarak belirlenmesidir. Bu amaçla, farklı oranlarda yabancı madde, kırık tane ve diğer hububatların bulunduğu bir birinden ayrı olarak yerleştirilmiş 100 taneden oluşan buğday örneklerinin görüntüleri bir dijital kamera vasıtasıyla 3 farklı arka plan ve 3 farklı ışık ortamında alınarak, Matlab programında yapay sinir ağları yöntemiyle değerlendirilmiştir. Buğday örneklerinin kalitesinin belirlenmesinde değerlendirme kriteri olarak tahıl morfolojisi, doku ve rengi dikkate alınmıştır. Buğday örneklerinden görüntü alabilmek için görüntüleme odası hazırlanmış ve örneklere ait resimleri işlemek için Matlab?da bir program yazılmıştır. Morfoloji özellikleri için tohumların alanı ve 16 faktör seçilmiştir. Doku özellikleri için, kontrast, homojenlik, korelasyon, enerji ve entropi hesaplanmıştır. Renk özellikleri için, görüntülerin ortalaması, varyans, standart sapma, çarpıklık ve basıklık değerleri RGB (Kırmızı, Yeşil, Mavi), NTSC ve l*a*b* renk uzaylarında çıkarılmıştır. Daha etkili parametreleri belirlemek için, SPSS yazılım paketi ile kademeli diskriminant analizi her tane için yapılmıştır. SPSS sonuçlarından, 6 morfoloji özellikleri, 1 doku ve 11 renk özellikleri bir Çok Katmanlı Perseptron (ÇKP) YSA?nın girişleri olarak elde edilmiştir.viEn iyi YSA belirlemek için farklı yapılarda ağlar kurulmuştur. En iyi YSA?da verilerin % 60 eğitim aşamasında, onaylama için % 20 ve test edilmesi için ise % 20 kullanılmıştır. Buğday kalitesinin belirlenmesinde genel başarı oranı % 97 olarak elde edilmiştir. Anahtar sözcükler: Buğday kalitesi, Görüntü işleme, Sınıflandırma, Yapay sinir ağları, Diskriminant analiz.

Quality of agricultural products is one of the most important factors in marketing. For this reason, grading machineries have a great impact on quality control systems. The most efficient method in the present grading machineries is of image processing.The objective of this study was to determine some quality parameters; broken kernels, foreign materials (Sinapis Arvensis and Avena sterilis), other cereals (corn and barley) by using image processing and artificial neural network (ANN) with Matlab software. For this purpose, samples of one layer of 100 singulated wheat kernels including different percentage of broken kernels, foreign materials and other cereals were prepared and their images were taken by digital camera under 3 different backgrounds with 3 different illuminations. Later, images were evaluated with Matlab software using artificial neural network. The evaluation criteria for determining the quality of the wheat kernels were based on grain morphology, texture and colour. In order to capture images from the samples, an image chamber was developed and a program was coded in Matlab for segmentation of the samples. Area and 16 factors for describing shapes of grain were chosen as morphology features. For texture features; entropy, contrast, correlation, homogeneity, and energy, for colour features; average, standard deviation, variance, skewness and kurtosis values of images in RGB, NTSC and l*a*b* colour spaces were extracted.To identify the best classification parameters, a total of 6 morphological features, 1 texture and 11 color features were extracted from color images of kernels by stepwise discriminant analysis with the SPSS software package and used as inputs to a Multi-layer Perceptron (MLP) neural network. viiiNetworks with different configurations to determine the best neural network has been established. In the best neural network, 60 % images were used in the training stage of ANN, 20 % images for validation, and testing of the ANN was performed with 20 % images. The overall success classification rate was 97 %.Keywords: Wheat quality, Classification, Image processing, Artificial neural network, Discriminant analysis