Rasgele Orman ve Sinir Ağları ile Tohum Dokusunun Sınıflandırılması


AYGÜN S. , Yalçın H., Güneş E. O.

25. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, Antalya, Türkiye, 15 Mayıs 2017, cilt.1, no.1, ss.1-4

  • Cilt numarası: 1
  • Basıldığı Şehir: Antalya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-4

Özet

Görüntü sınıflandırması, görüntü işleme algoritmalarının merkezinde yer alır. Yakın dokulara sahip görüntülerin yüksek doğruluk oranıyla sınıflandırılması zordur. Özellikle doğa temelli doku resimlerinde sınıflama, renkten bağımsız olarak düşünüldüğünde zor bir problemdir. Bu çalışmada 22 sınıflı tohum veritabanı ile tohum dokusu sınıflama işlemi yapılmaktadır. Öncelikle 3 temel öznitelik çıkarma yöntemi ile doku resimlerinden öznitelik çıkarımı yapılmaktadır. Öznitelikler ayrı ayrı sinir ağı ile sınıflandırılarak en iyi sonucu veren öznitelik seçilecektir. Seçilen yöntemin özellik vektörü bu kez rasgele orman (random forest) yöntemi ile yeniden sınıflandırılmaktadır. Rasgele orman birden çok ağaç veri yapısı kullanarak, ağaç sayısı, derinliği ve dallanma sayısı gibi bilgileri belirlenmiş orman ile veri sınıflama için kullanılabilmektedir. Bu bildiride yapılan çalışmalar sonucunda yerel ikili örüntü operatörü ile elde edilen sonuçların sinir ağı ile sınıflamanın ardından oldukça başarılı sonuçlar verdiği ve aynı özniteliklerin rasgele orman ile sınıflandırılması ile doğruluk oranlarının daha da iyileştirildiği görülmüştür. Ortalama %0.454 hata ile tohum tipi ve/veya kusurları sınıflandırılabilmiştir.

Image classification is a crucial problem for many image processing problems. Images that have close textures are challenging to be classified with high accuracy rate. Especially in natural images, classification is a difficult problem when considered independently from the color. In this study, seeds are classified based on textural features obtained from a database with 22 grades of seed. Feature extraction is achieved with the 3 basic feature extraction methods. The attributes are classified by neural network separately and the features yielding the best results are selected. Feature vectors from chosen method are further classified with random forest method. Random forest can be used for data classification with tree structure which has attributes like the number of trees, depth and the number of branches. As a result of experimentations, it is observed that the local binary pattern outperforms other feature descriptors in recognition rate after neural network classification and accuracy rates are further improved after classifying the same attributes with random forest. Seed type and/or defects could be classified with an average error rate of 0.454%.