The Use of Image Processing and Clustering Methods in Determining The Type of Olive Grains

Year 2021, Volume: 6 Issue: 2, 137 - 151, 25.05.2021

Senem Gönenç , Yüksel Öner

https://doi.org/10.23834/isrjournal.901264

Abstract

Image processing methods are preferred by many researchers who want to produce innovative inventions with the change and development of technology. Especially in recent years, image processing methods have been used in almost every sector. The applications of image processing in the food and agricultural sectors are in these sectors and the studies continue increasingly. In this study, an application has been made to determine the type of olive fruit, which is one of the most important branches of agricultural activity. At the beginning of the study, the image of olive grains of known type was uploaded to the computer memory and analyzes were performed in the ‘R’ program, which is a statistical programming language. Numerical information of the olive grains in the image was obtained using the appropriate image processing techniques to optimize the image transferred to the system for analysis. This information was the numerical data in pixels that make up the size and color variables of the olive grains. The olive grains were analyzed using the K-Mean method and the Fuzzy C-Means algorithm with the help of the generated variables. Furthermore, as there was a preliminary information about the olive type, the success of the clustering that emerged as a result of the analysis in determining the types was evaluated in detail. As a result of the study, the cluster structure resulting from the analysis using the Fuzzy C-Means algorithm gave the closest results to the groups belonging to the olive grains whose type was actually known.

Keywords

Cluster Analysis, Image Processing, K-Mean Method, Fuzzy C-Means Algorithm, Image Processing in R

Zeytin Tanelerinin Türünün Belirlenmesinde Görüntü İşleme ve Kümeleme Yöntemlerinin Kullanımı

Abstract

Görüntü işleme yöntemleri, gelişen ve değişen teknolojilerle birlikte yenilikçi buluşlar üretmek isteyen birçok araştırmacı tarafından tercih edilmektedir. Özellikle son yıllarda neredeyse her sektörde kullanım alanı bulmaktadır. Görüntü işlemenin gıda ve tarım alanlarındaki uygulamaları bu sektörlerdendir ve çalışmalar yoğunluk kazanarak devam etmektedir. Bu çalışmada, tarımsal faaliyet kollarının en önemlilerinden olan zeytin meyvesinin tür tespitine yönelik bir uygulama yapılmıştır. Çalışmanın başlangıcında türleri bilinen zeytin tanelerinin görüntüsü alınarak bilgisayar ortamına yüklenmiş ve istatistiksel programlama dili olan ‘R’ programında analizler yapılmıştır. Sisteme aktarılan görüntüyü analize uygun hale getirmek için gerekli görüntü işleme teknikleri kullanılarak görüntü içerisinde bulunan zeytin tanelerine ilişkin sayısal bilgiler elde edilmiştir. Bu bilgiler zeytin tanelerinin boyut ve renk değişkenlerini oluşturan piksel cinsinden elde edilmiş sayısal verilerdir. Oluşturulan değişkenler yardımıyla zeytin taneleri K-Ortalama yöntemi ve Bulanık C-Ortalamalar algoritması kullanılarak analiz edilmiştir. Ayrıca burada zeytin türüne ilişkin ön bilgi bulunduğundan analizler sonucunda ortaya çıkan kümelemenin türleri tespit etmedeki başarısı ayrıntılı bir şekilde değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde, Bulanık C-Ortalamalar algoritması kullanılarak yapılan analiz sonucu ortaya çıkan kümelenme yapısının gerçekte türü bilinen zeytin tanelerine ait gruplara en yakın sonuçlar verdiği gözlemlenmiştir.

Keywords

Kümeleme Analizi, Görüntü İşleme, K-Ortalama Yöntemi, Bulanık C-Ortalama Algoritması, R Programında Görüntü İşleme

References

• Aggarwal, C.C., Reddy, C. K. (2014). Data Clustering Algorithms and Applications. Boca Raton: CRC Press.
• Atalı, G., Özkan, S. S., & Karayel, D. (2016). Morfolojik Görüntü İşleme Tekniği ile Yapay Sinir Ağlarında Görüntü Tahribat Analizi. APJES IV-I (2016) 01-07.
• Berkhin, P. (2006). Survey of clustering data mining techniques, grouping multi-dimensional data, Recent Advances in Clustering, 25-71.
• Erilli, N.A. (2009). Kümeleme Analizine Bulanık Yaklaşım Algoritmaları ve Uygulamaları, 19 Mayıs Üniv., Fen Bilimleri Enst., Yayınlanmamış Yüksek Lisans Tezi, Samsun.
• Evans, S., Lloyd, J., Stoddard, G., Nekeber, J., & Samone, M. (2005). Risk Factors For Adverse Drug Events. The Annals of Pharmacotherapy, 39, 1161-1168.
• Höppner, F., Klawonn, F., Rudolf, K., & Runkler, T. (1999). Fuzzy Cluster Analysis: Methods for Classification Data Analysis and Image Recognition. John Wiley & Sons, 5-75.
• Kaya, H. (2017). Zeytinde Çeşit Tanımlama ve Çeşitlerimiz. Erişim https://www.tarimorman.gov.tr/BUGEM/kumelenme/Belgeler/Budama/Zeytinde%20%C3%87e%C5%9Fit%20Tan%C4%B1lama.pdf, (07.02.2021).
• Kıvrak, M. (2020). Ege Bölgesi Zeytin Çeşitleri. Erişim http://mucahitkivrak.baun.edu.tr/index_dosyalar/18-ege-cesitleri.pdf, (07.02.2021).
• Mansoori, E.G. (2011). FRBC: A Fuzzy Rule-Based Clustering Algorithm. IEEE Transactıons on Fuzzy Systems, 19(5), 960-971.
• Moertini, V. S. (2002). Introduction to Five Clustering Algorithms. Integral, 7, 2.
• Rousseeuw, P. J. (1987). Silhouettes: a Graphical Aid to the Interpretation and Validation of Cluster Analysis. Journal of Computational and Applied Mathematics, 20(1), 53-65.
• Serra, J. (1982). Image Analysis and Mathematical Morphology. Vo1. London: Academic.
• Solak, S. (2016). Gezgin Robotların Konum Belirleme ve Engel Sakınım Probleminin Tek Kartlı Bilgisayar Sistemi Kullanılarak Çözümü. Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 69-71.
• Şahinli, F. (1999). Kümeleme Analizine Fuzzy Set Teorisi Yaklaşımı, Gazi Üniversitesi, Yayınlanmamış Yüksek Lisans Tezi, Ankara.
• Yang, M. S. (1993). A Survey of Fuzzy Clustering. Mathematical and Computing Modelling, 18(11), 1-16.
• Yavuz, Z., & Köse, C. (2012). Bulanık C-Kümeleme Algoritması ile Retinal Kan Damarı Bölütleme. ELECO '2012 Elektrik - Elektronik ve Bilgisayar Mühendisliği Sempozyumu, 29 Kasım-01 Aralık, Bursa, 562-566.