Öz
FPGA (Field Programmable Gate Array) teknolojisi ile görüntü işleme, veri madenciliği, nesne tanıma gibi uygulamalar yüksek performansta gerçekleştirilebilmektedir. FPGA’daki üstün mimari yapısı sayesinde görüntü işleme uygulamalarında çok hızlı şekilde sonuçlar alınabilmektedir. Bu donanım bilgisayardan bağımsız olarak çalıştığından yapılan çalışmanın mobilleşmesi sağlanmaktadır, bu ve benzeri avantajlarından dolayı çalışmada FPGA tercih edilmiştir. Tasarlanan sistemle gerçek zamanlı olarak granny smith (GS) ve starking (ST) tür elmaların genişlik ölçümü ve renge bağlı olarak sınıflandırma işlemleri yapılmaktadır. Çalışmada, segmentasyon ve sınıflandırma işlemlerinde kullanılan en başarılı danışmansız öğrenme yöntemlerinden birisi olan K-means kümeleme metodu tercih edilmiştir. Bu metot çalışmamıza uygun şekilde modifiye edilerek VHDL (Very High Design Language) diliyle FPGA’da uygulanmıştır. Tasarlanan sistem üzerinde yapılan test işlemlerinde 100 adet elma için ortalama % 2.09 bağıl hata ile elma genişliği ölçülmüş ve %94 başarı ile elma sınıflandırma işlemi gerçekleştirilmiştir.
FPGA
(Field Programmable Gate Array) teknolojisi ile görüntü işleme, veri
madenciliği, nesne tanıma gibi uygulamalar yüksek performansta
gerçekleştirilebilmektedir. FPGA’daki üstün mimari yapısı sayesinde görüntü
işleme uygulamalarında çok hızlı şekilde sonuçlar alınabilmektedir. Bu donanım
bilgisayardan bağımsız olarak çalıştığından yapılan çalışmanın mobilleşmesi
sağlanmaktadır, bu ve benzeri avantajlarından dolayı çalışmada FPGA tercih
edilmiştir. Tasarlanan sistemle gerçek zamanlı olarak granny smith (GS) ve
starking (ST) tür elmaların genişlik ölçümü ve renge bağlı olarak sınıflandırma
işlemleri yapılmaktadır. Çalışmada, segmentasyon ve sınıflandırma işlemlerinde kullanılan
en başarılı danışmansız öğrenme yöntemlerinden birisi olan K-means kümeleme
metodu tercih edilmiştir. Bu metot çalışmamıza uygun şekilde modifiye edilerek
VHDL (Very High Design Language) diliyle FPGA’da uygulanmıştır. Tasarlanan
sistem üzerinde yapılan test işlemlerinde 100 adet elma için ortalama % 2.09
bağıl hata ile elma genişliği ölçülmüş ve %94 başarı ile elma sınıflandırma
işlemi gerçekleştirilmiştir.
Anahtar Kelimeler
Kaynakça
- 1. Volnei A. (2004). Pedroni, Circuit Design with VHDL. Massachusetts Institute of Technology, London, England. 2. Hauck, S., DeHon, A. (2008). Reconfigurable Computing: The Theory and Practice of FPGA-Based Computation. Elsevier Inc, Burlington. 3. Rochaa, A., Hauaggeb, D. C., Wainera, J., Goldensteina, S. (2010). Automatic fruit and vegetable classification from images. Computers and Electronics in Agriculture, 70(1): 96–104. 4. Baranowski, P., Mazurek, W., Pastuszka-Woźniak, J. (2013). Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data. Postharvest Biology and Technology, 86: 249–258. 5. Mizushima, A., Lub, R. (2013). An image segmentation method for apple sorting and grading using support vector machine and Otsu’s method. Computers and Electronics in Agriculture, 94: 29–37. 6. Unay, D., Gosselin, B. (2007). Stem and calyx recognition on ‘Jonagold’ apples by pattern recognition. Journal of Food Engineering, 78(2):597 – 605. 7. Dubey, S. R., Jalal, A. S. (2016). Apple disease classification using color, texture and shape features from images. Signal, Image and Video Processing, 10(5): 819–826, 2016 8. Naik, S., Patel, B. (2017). Machine vision based fruit classification and grading - a review. International Journal of Computer Applications, 170(9): 1-13. 9. Dara, F., Devolli, A. (2016). Applying artificial neural networks (ANN) techniques to automated visual apple sorting. Journal of Hygienic Engineering and Design, 17: 55-63. 10. Jamdar, A. V., Patil, A. P. (2017). Detection and classification of apple fruit diseases using K-means clustering and learning vector quantization neural network. IJSDR, 2(6): 423-429. 11. Pearson, T. (2009). Hardware-based image processing for high-speed inspection of grains. Computers and Electronics in Agriculture, 69: 12–18 12. Nuño-Maganda, M. A., Hernandez-Mier, Y., Torres-Huitzil, C., Jim´enez-Arteaga, J. (2014). FPGA-based real-time citrus classification system. 2014 IEEE 5th Latin American Symposium, 25-28 Feb. 2014, Santiago, Chile. 13. Ibarra-Manzano, M.-A., Devy, M., Boizard, J.-L. (2010). Real-Time classification based on color and texture attributes on an FPGA-based architecture. Design and Architectures for Signal and Image Processing (DASIP), 26-28 October 2010, Edinburgh, UK. 14. Saegusa, T., Maruyama, T. (2007). Real-tıme segmentatıon of color images based on the K-Means clustering on FPGA, Field-Programmable Technology. ICFPT 2007 International Conference, 12-14 December 2007, Kitakyushu, Japan. 15. Avci, E., Turkoglu, İ., Poyraz, M. (2005). Intelligent target recognition based on wavelet packet neural network, expert systems with applications, 29: 175–182. 16. Rafael, C. G., Woods, R. E. (2002). Digital Image Processing. Prentice Hall, U.S.A. 17. Sert, E. and Okumuş, İ. T. (2014). Segmentation of mushroom and cap width measurement using modified K-means clustering algorithm. Advances in Electrical and Electronic Engineering Journal, 12(4): 354-360. 2014.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Bölüm | MBD |
| Yazarlar | |
| Yayımlanma Tarihi | 19 Eylül 2018 |
| Gönderilme Tarihi | 24 Şubat 2018 |
| Yayımlandığı Sayı | Yıl 2018 Cilt: 30 Sayı: 2 |