Anda di halaman 1dari 16

Rykie Sentosa Pondaag 0808605063

Mean and Range Color Features Based Identification of Common Indian Leafy Vegetables
Ajit Danti1, Manohar Madgi2 and Basavaraj S. Anami3 1J. N. N. College of Engineering, Shimoga 577 204, Karnataka, India 2,3K. L. E. Institute of Technology, Hubli 580 030, Karnataka, India

International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 5, No. 3, September, 2012

Latar Belakang

Dalam beberapa tahun terakhir, cukup banyak perkembangan telah terjadi di bidang robotika. Robot telah menemukan aplikasi luas mengenai makanan, fabrikasi logam, medis, pertanian, industri dll. Mereka membawa tugas pemrograman yang sangat efisien yang tergabung dengan sistem computer vision. Computer vision berkaitan dengan membangun sistem buatan yang memperoleh informasi dari gambar. Sistem computer vision memiliki banyak aplikasi seperti mendeteksi kejadian, melakukan tugas-tugas pertanian, pengendalian proses dan sejenisnya. Computer vision dianggap sebagai pelengkap biological vision. Ada sistem computer vision tertentu yang dikembangkan untuk aplikasi pertanian/hortikultura, yaitu, identifikasi rumput liar, identifikasi penyakit daun, klasifikasi biji-bijian dan pengenalan makanan dalam industri makanan, pengenalan tanaman medis dan lain-lain. Dalam semua sistem, gambar digunakan untuk teknik pengolahan citra untuk mengekstrak fitur berguna yang diperlukan untuk pengenalan lebih lanjut dan klasifikasi. Hal ini jelas bahwa sebagian besar kegiatan di dunia nyata dengan perkembangan robotika akan dilakukan secara otomatis. Salah satu aplikasi tersebut dipertimbangkan, dimana identifikasi otomatis gambar sayuran berdaun. Banyak jenis sayuran berdaun ditemukan di supermarket yang tumbuh di India ditunjukkan pada Gambar 1. Rincian dari segi nama bahasa Inggris, nama botani dan nama-nama umum India tercantum dalam Tabel 1.

Cont..

Penelitian Terkait
1. 2. 3.

4.

5.

6. 7.

8. 9.

10.

A. Rocha, D. C. Hauagge, J. Wainer and S. Goldenstein, Automatic fruit and vegetable classification from images, In: Computers and Electronics in Agriculture, vol. 70, (2010), pp. 96-104 F. Pedrerschi, D. Mery, F. Mendoza and J. M. Aguilera, Classification of Potato Chips Using Pattern Recognition, Journal of Food Science, vol. 69, (2004), pp. E264-270. K.-M. Lee, Q. Li and W. Daley, Effects of Classification Methods on Color-Based Feature Detection With food Processing Applications, In: IEEE Transactions on Automation Science and Engineering, vol. 4, no. 1, (2007), pp. 40-51. B. S. Anami, S. S. Nandyal and A. Govardhan, A Combined Color, Texture and Edge Features Based Approach for Identification and Classification of Indian Medicinal Plants, In: International Journal of Computer Applications (0975-8887), vol. 6, no. 12, (2010), pp. 45-51. H. N. Patel, R. K. Jain, M. V. Joshi, Fruit Detection using Improved Multiple Features based Algorithm, In: International Journal of Computer Applications (0975-8887), vol. 13, no. 2, (2011), pp. 1-5. R. M. Bolle, J. H. Connell, N. Haas, R. Mahon and G. Taubin, VeggieVision: A Produce Recognition System, Technical Report forthcoming, IBM (1996). C. Fernandez, J. Suardiaz, C. Jimenez, P. J. Navarao, A. Toledo and A. Iborra, Automated Visual Inspection System for the Classification of Preserved Vegetables, in Proc. of the IEEE International Symposium, vol. 1, (2002), pp. 265-269. Z. -y. Liu, F. Cheng, Y. -b. Ying and X. -q. Rao, Identification of rice seed varieties using neural network, Journal of Zhejiang University SCIENCE B, vol. 6, no. 11, (2005), pp. 1095-1100. C. Fernandez, J. Suardiaz, C. Jimenez, P. J. Navarao, A. Toledo and A. Iborra, Automated Visual Inspection System for the Classification of Preserved Vegetables, in Proc. of the IEEE International Symposium, vol. 1, (2002), pp. 265-269. S. Somatilake, A. N. Chalmers, An Image-Based Food Classification System, In: Proceedings of Image and Vision Computing, (2007), pp. 260-265, New Zealand.

Penelitian Usulan
1.

2.

3.

B. S. Anami and V. C. Burkpalli, Color Based Identification and Classification of Boiled Food Grain Images, In: International Journal of Food Engineering, vol. 5, Issue 5, Article 7, (2009), pp. 1-19. B. S. Anami, D. G. Savakar, A. K. Kannur and M. V. Karali, Classification of Grapes Using Artificial Neural Network, Proceedings of the International Conference on Cognition and Recognition, (2008), pp. 436-442. S. Arivazhagan, R. N. Shebiah, S. S. Nidhyanandhan and L. Ganesan, Fruit Recognition using Color and Texture Features, In: Journal of Emerging Trends in Computing and Information Sciences, vol. 1, no. 2, (2010), pp. 90-94.

Metode

Metodologi yang diusulkan terdiri dari empat tahap, yaitu:


akuisisi citra ekstraksi fitur pengurangan fitur dan klasifikasi menggunakan three-layer feedforward backpropagation Artificial Neural Network (BPNN) .

Akuisisi gambar dan resizing

Sepuluh jenis sekumpulan sayuran segar berdaun dipilih dari pasar. Sayuran yang akan difoto ditempatkan pada latar belakang putih polos. Foto-foto tersebut dibuat pada saat siang hari dengan menggunakan kamera digital yang ditempatkan pada jarak 40 cm. Sebuah kamera digital Sony dengan resolusi gambar 10 mega pixel digunakan untuk menangkap gambar. Gambar yang diperoleh adalah ukuran 3264 x 2448 piksel. Gambar akan dipotong dan diubah ukurannya menjadi 150 x 150 piksel untuk alasan komputasi.

Fitur ekstrasi

Sayuran berdaun diidentifikasi oleh manusia terutama dengan warna, tekstur dan bentuk daun. Warna adalah fitur yang paling penting untuk identifikasi sayuran. Namun, warna lebih atau kurang hijau di sebagian besar sayuran, tetapi nuansa warna hijau bervariasi dari sayuran untuk sayuran. Sayuran juga diidentifikasi oleh bentuk daun, ketika daun tunggal diambil. Variasi dalam ukuran daun menimbulkan variasi dalam tekstur ketika sekelompok sayuran berdaun digunakan. Tekstur adalah fitur lain yang dapat digunakan untuk mengidentifikasi sayuran. Dalam karya ini, kami telah dianggap sebagai fitur warna rata-rata dan kisaran untuk identifikasi sayuran.

Fitur Ekstrasi Warna


Nilai-nilai R, G dan B dari komponen warna gambar sayuran dinormalisasi sehingga memiliki nilai-nilai dalam rentang [0, 1]. Fitur warna HSI diperoleh dari komponen RGB. Sayuran berdaun gambar memiliki distribusi warna dan perubahan warna di atas gambar. Fitur-fitur membedakan diwakili oleh nilai rata-rata, varians dan jangkauan untuk gambar yang diberikan dan tercantum dalam Tabel 2.

Cont...

Pengurangan Fitur

Dari grafik dapat diamati bahwa, untuk semua jenis sayuran nilai varians fiturnya sangat rendah (<0.1). Fitur tersebut tidak memberikan kontribusi pada proses identifikasi. Oleh karena itu, fitur varians diabaikan. Dari 18 fitur yang dikurangi menjadi 12 fitur dan disebut pengurangan fitur set warna yang tercantum dalam Tabel 3. Untuk tujuan pengurangan fitur, digunakan pendekatan threshold berbasis. Sebuah threshold 0,5 untuk tahap pertama dan 0,1 untuk tahap kedua digunakan. Nilai threshold diperoleh dengan eksperimen tersebut. Setiap fitur dibandingkan dengan nilai threshold pertama 0,5. Jika nilai lebih besar dari threshold maka dianggap sebagai fitur yang baik. Fitur yang gagal nilai threshold pertama, dibandingkan dengan threshold kedua tidak ketinggalan seleksi. Jika fitur tersebut lebih besar dari threshold, maka diberi label sebagai fitur yang baik.

Parameter Classifier

Sebuah three-layer feedforward backpropagation Artificial Neural Network (BPNN). Ada 12 node pada input layer. Hidden layer memiliki 33 node. Output layer memiliki 10 node, sesuai dengan sepuluh kelas sayuran yang berbeda.

Analisa Hasil

Pengembangan metode identifikasi sayuran berdaun diuji pada 1000 gambar sekumpulan sayuran berdaun dari 10 jenis yang berbeda. 500 gambar dengan 50 gambar dari setiap jenis yang digunakan untuk melatih classifier neural network, sisa 500 gambar yang digunakan untuk menguji akurasi.

Cont...

Peneliti telah melatih dan menguji jaringan saraf dan mempertimbangkan semua 18 fitur warna, yaitu means, varians dan berbagai RGB dan model warna HSI. Selama eksperimen, dapat di amati bahwa beberapa fitur warna memiliki nilai yang sangat rendah yang tidak memberikan kontribusi pada akurasi classifier. Oleh karena itu, terdapat pengurangan fitur set menjadi dua belas. Keakuratan identifikasi berbagai jenis sayuran berdaun ditunjukkan pada Gambar 7. Dapat dilihat dari grafik itu, tingkat identifikasi tertinggi adalah 100% dan terendah adalah 92%. Tingkat rata-rata adalah 96,4 Identifikasi%.

Kesimpulan

Dalam karya ini, peneliti telah mengklasifikasikan sayuran berdaun menjadi beberapa jenis. Model warna HSI dianggap dalam metode. Fitur set terkena pengurangan didasarkan pada nilainilai thresholding. Sebuah classifier BPNN digunakan untuk identifikasi dan klasifikasi. Tingkat identifikasi maksimum 100% yang diamati dengan ketumbar dan daun kari dan minimum 92% diamati dengan daun Fenugreek. Pekerjaan yang dilakukan memiliki relevansi dengan aplikasi dunia nyata dalam identifikasi otomatis dari jenis sayuran yang berbeda, gradasi mereka, penilaian, pengepakan, penjualan di supermarket, persiapan makanan dan sejenisnya.

Future Work

Diharapkan nantinya penelitian ini akan bisa mengidentifikasi sayur-sayuran secara real-time dan dapat mengidentifikasi lebih dari satu sayuran dalam 1 foto.