Maturity detection and volume estimation of apricot using image processing technique

Khojastehnazhand, Mostafa; Mohammadi, Vahid; Minaei, Saeid

doi:10.1016/j.scienta.2019.03.033

Cited by 57 publications

(23 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

Section: Introductionmentioning

confidence: 99%

“…Image processing and machine vision for the maturity level classification of fruits have been intensively investigated [ 24 , 25 , 26 , 27 , 28 , 29 , 30 , 31 ]. Most work to date has focused on maturity analysis of fruit that ripen in a uniform fashion, such as tomato [ 32 , 33 , 34 ], passion fruit [ 27 ], apricot [ 24 ], persimmon [ 35 ], blueberry [ 36 , 37 ], cherry [ 38 ], and date [ 39 ]. Different methods were used for classification (e.g., support vector machines [ 27 , 36 ], convolutional neural networks [ 34 , 39 ], random forest [ 40 ], K-nearest neighbor [ 33 ], and linear discriminant analysis [ 35 ]) based on different sensors (e.g., RGB—Red Green Blue [ 29 , 33 , 35 , 36 ], RGB-D—Red Green Blue-Depth [ 27 ], and NIR—Near Infra-Red [ 38 ]).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Viewpoint Analysis for Maturity Classification of Sweet Peppers

Harel

Essen

Parmet

et al. 2020

Sensors

View full text Add to dashboard Cite

The effect of camera viewpoint and fruit orientation on the performance of a sweet pepper maturity level classification algorithm was evaluated. Image datasets of sweet peppers harvested from a commercial greenhouse were collected using two different methods, resulting in 789 RGB—Red Green Blue (images acquired in a photocell) and 417 RGB-D—Red Green Blue-Depth (images acquired by a robotic arm in the laboratory), which are published as part of this paper. Maturity level classification was performed using a random forest algorithm. Classifications of maturity level from different camera viewpoints, using a combination of viewpoints, and different fruit orientations on the plant were evaluated and compared to manual classification. Results revealed that: (1) the bottom viewpoint is the best single viewpoint for maturity level classification accuracy; (2) information from two viewpoints increases the classification by 25 and 15 percent compared to a single viewpoint for red and yellow peppers, respectively, and (3) classification performance is highly dependent on the fruit’s orientation on the plant.

show abstract

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Viewpoint Analysis for Maturity Classification of Sweet Peppers

Harel

Essen

Parmet

et al. 2020

Sensors

View full text Add to dashboard Cite

show abstract

“…Karhan ve arkadaşları [5], yaptıkları çalışmada görüntü işleme tekniklerini kullanarak kayısı üzerindeki yaprak delen hastalığının neden olduğu lekeleri tespit etmeyi amaçlamışlardır. Khojastehnazhand ve arkadaşları [6], kayısı meyvesini görüntü işleme tekniklerinden yararlanarak, olgunluk seviyesine göre üç farklı gruba sınıflandırma işlemini gerçekleştirmişlerdir. Her sınıflandırma işlemine ek olarak kayısıların hacimlerinin tahmini işlemini de yapmışlardır.…”

Section: Introductionunclassified

Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması

Şenel

2020

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

ÖzKayısı çekirdeği üretimi ve tüketimi fazla olan bir gıda ürünüdür. Kayısı iç çekirdeklerinin makine öğrenmesi algoritmaları kullanılarak, tatlı veya acı olarak sınıflandırılması bu çalışmanın konusunu oluşturmaktadır. Hem tatlı hem de acı kayısı iç çekirdeği için talep miktarı oldukça fazladır. Depolama şartları gibi nedenlerden dolayı kayısı iç çekirdekleri zaman zaman birbirine karışabilmektedir. Bu durum tüketiciler tarafından istenmeyen bir durumdur. Kayısı iç çekirdeğinin ayrıştırılması, gözle her zaman mümkün olmamaktadır. Bu çalışmanın amacı, insan faktörünü ortadan kaldırabilecek bir sınıflandırma yönteminin geliştirilmesidir. Bu sınıflandırma işlemi için k En Yakın Komşu, Destek Vektör Makinesi, Karar Ağacı, Rasgele Orman, Adaptive Boosting, Gaussian Naive Bayes ve Çok Katmanlı Algılayıcı algoritmaları kullanılmıştır. Yeterli sayıda öznitelik ile algoritmaların yarıdan fazlası sınıflandırma işlemini %100 başarı ile elde edebilmektedir. En az sayıda öznitelik kullanarak en iyi başarı Rasgele Orman algoritması ile elde edilmiştir. Sonuçlar göstermiştir ki, kayısı iç çekirdeklerinin sınıflandırılması işlemi makine öğrenmesi algoritmaları ile başarılı bir şekilde gerçekleştirilebilmektedir.

show abstract

“…Some approaches use a single camera to make rough estimates of the volume (such as small, medium, large), maturity, surface area and shape parameters (e.g. roundness) [2,5,9,12]. The quantitative estimation of the volume from a single image was done for watermelons [6], with an average relative error reported of 7.7%, and 4 types of fruits [15], with average relative errors of 2.5% (apple), 3.0% (sweetlime), 4.6% (orange) and 4.7% (lemon).…”

Section: Introductionmentioning

confidence: 99%

Measuring Surface and Volume of a Spheroid-Shaped 3D Object from a Single Image

Marçal

Santos

2020

SN COMPUT. SCI.

View full text Add to dashboard Cite

The extraction of accurate geometric measurements from images normally requires the use of metric cameras and stereoscopic observations. However, as good-quality digital cameras are widely available in mobile devices (smartphones, tablets), there is great interest to develop alternative approaches, suitable for these devices. This paper presents a methodology to compute the surface area and volume of a spheroid-shaped object, such as many types of fruit, from a single image acquired by a standard (non-metric) camera and a basic calibration target. An iterative process is used to establish a 3D spheroid out of the observed 2D ellipse, after which auxiliary images of height, resolution and surface area of each pixel on the 3D object surface are created. The method was tested with a data set of 2400 images, of 10 different objects, 2 calibration targets, 2 cameras and 2 mark types. The average relative errors ( < > ) in establishing the 3D object semi-diameters were 0.863% and 0.791%. The semi-diameters are used to compute the object's surface area ( < > = 1.557%) and volume ( < > = 2.365%). The estimation of the sub-region (mark) surface area over the modelled 3D object resulted in < > = 2.985%, much lower that what is obtained ignoring the fact that the mark is not on the reference (calibration) plane ( < > = 50.7%), thus proving the effectiveness of the proposed iterative process to model the 3D object (spheroid).

show abstract

Maturity detection and volume estimation of apricot using image processing technique

Cited by 57 publications

References 22 publications

Viewpoint Analysis for Maturity Classification of Sweet Peppers

Viewpoint Analysis for Maturity Classification of Sweet Peppers

Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması

Measuring Surface and Volume of a Spheroid-Shaped 3D Object from a Single Image

Contact Info

Product

Resources

About