Akademik Veri Yönetim Sistemi
Journal of Current Researches on Engineering, Science and Technology, cilt.6, sa.2, ss.39-48, 2020 (Hakemli Dergi)
Endüstriyel sistemlerde nesnelerin tespit edilmesi ve sınıflandırması sıklıkla kullanılan bir uygulamadır. Bu çalışmada görüntü işleme teknikleri kullanılarak dört farklı geometrik nesnenin sınıflandırmasını gerçekleştiren algoritma ve program tasarlanmıştır. Algoritmanın temel çalışma mantığı daire, kare, dikdörtgen ve eşkenar üçgenden oluşan geometrik nesnelerin ayırt edici temel özniteliklerinin belirlenmesidir. Çalışmada Matlab programının görüntü işleme araç kutusu kullanılarak bir dizi görüntü işleme tekniği uygulanmıştır. İlk önce RGB resim formatındaki görüntülerle çalışmanın zorluğundan dolayı görüntü siyah beyaza dönüştürülmüştür. Daha sonra görüntü üzerinde sırasıyla filtreleme ve morfolojik işlemler yapılmakta ve görüntü özniteliklerini belirlemek için görüntülerin ağırlık merkezleri ve sınır piksel değerleri gibi temel özellikleri tespit edilmiştir. 400 test görüntüsü üzerinde yapılan çalışmalar sonucunda %98 başarı oranı ile sınıflandırma işlemi gerçekleştirilmiştir.
Detection and classification of objects in industrial systems is a common practice. In this study, the algorithm and program that perform the classification of four different geometric objects using image processing techniques are designed. The basic working logic of the algorithm is to determine the distinctive basic attributes of geometric objects consisting of circles, squares, rectangles, and conceived triangles. In this study, several image processing techniques were applied using the image processing toolbox of the Matlab program. The image was first converted to black and white due to the difficulty of working with images in RGB image format. Filtering and morphological operations are then performed on the image, respectively, and the main characteristics of images, such as center of gravity and boundary pixel values, have been identified to determine the image attributes. As a result of studies on 400 test images, classification was carried out with a success rate of 98%.