Görüntü işleme ve makine öğrenmesi kullanarak elmalarda çürük tespiti

Bu tez çalışmasında, içerisinde bir yakın kızılötesi (NIR) kamera barındıran görüntü toplama platformu ile elde edilen elma görüntüleri evrişimsel sinir ağı (CNN) modeli tarafından desteklenen yapay arı kolonisi (ABC) ve parçacık sürüsü optimizasyonu (PSO) algoritmalarına dayalı bir hibrit model kullanarak çürük ve sağlıklı olarak sınıflandırılmıştır. Önerilen model görüntü elde etme, görüntü ön işleme, anatomik bölgelerin bölütlenmesi ve elma görüntülerinde çürük alanların tespiti aşamalarını içermektedir. Görüntü toplama platformu kullanılarak 100 çürük ve 100 sağlıklı olan 200 elmadan farklı açılardan toplam 1200 görüntü alınmıştır. Tespit ve sınıflandırma başarısını arttırmak için, ön işleme aşamasındaki görüntülere sırasıyla adaptif histogram eşitleme, kenar algılama ve şekilsel işlemler uygulanmıştır. İlk olarak, görüntülerin sap-çanak anatomik bölgelerini bölütlemek ve gözardı etmek için, CNN modeli önceden işlenmiş görüntüler kullanılarak eğitilmiştir. Eğitilen bu model ile sap-çanak bölgeleri görüntüden çıkarılmıştır. İkinci aşamada, sap-çanak bölgeleri gözardı edilen görüntüler üzerinde ABC / PSO-tabanlı yinelemeli eşikleme yaklaşımı ile bir eşik değeri saptanmış ve bu eşik değeri kullanılarak sap-çanak anatomik bölgeleri olmayan görüntülerdeki çürükler tespit edilmiştir. Önerilen yaklaşımların sınıflandırma başarısını göstermek için, aynı sınıflandırma deneyleri, ABC ve PSO yaklaşımı olmadan doğrudan Faster R-CNN modeli kullanılarak yeniden uygulanmıştır. Deneysel sonuçlar, tezde önerilen bu hibrit modelin, ABC ve PSO tabanlı yinelemeli eşikleme yaklaşımlarının kullanılmadığı Faster R-CNN modelinden daha başarılı olduğunu göstermiştir.