Görüntü işleme yöntemleri kullanarak otomatik spırulina tespiti

Abstract

Bu tezde Spirulina'nın otomatik tespiti üzerine bir çalışma sunulmuştur. Spirulina 4 türe sahip bir tür alg mikroorganizmadır ve su kalitesinin tespitinde, takibinde ve gözlemlenmesinde oldukça yararlıdır. Bu tezin katkısı, Spirulina'nın sudaki teşhisine yardımcı olmak için otomatik bir sistem geliştirmek ve bu yöntemin uygulanabilirliğini göstermek olmuştur. Mikroskobik görüntülerde Spirulina'nın hızlı ve doğru bir şekilde teşhis edilebilmesi diğer tüm alg türlerinin tespiti için de çok önemlidir. Su kalitesinin belirlenmesinde, Spirulina tür ve miktarını tespit etmek için manuel yöntemler kullanılmaktadır. Ancak insan dikkat ve hatasına bağlı olan bu yöntem yanlış sonuçlara yol açabilmektedir. Mikroskobik su görüntülerinde algleri uzmanlar aracılığı ile, tespit etmek oldukça zor ve yoğun çaba gerektirmektedir. Spirulina'nın otomatik tespiti boyut, şekili, iklimsel değişiklikleri, büyüme periyotları ve su kirliliği gibi sebepler nedeniyle zor bir işlemdir. Günümüzde spirulina'nın otomatik olarak tespiti, uygulamalı biyoloji alanında öncelikle ihtiyaç duyulan konulardan biridir. Diğer taraftan, Derin-Öğrenme ve Evrişimli Sinirsel Ağlar (CNN) sayısal görüntülerde nesne tanıma işlemlemlerinde daha iyi sonuçlar sağlamakta ve görüntü sınıflandırma problemlerinde yaygın olarak kullanılmaktadır. Bu tezde, mikroskobik görüntülerde Spirulina tespit etme problemini çözmek için başarılı olup olmadığını göstermek amacıyla, CNN yöntemi de test edilmiştir. Türkiye'deki nehir ve göllerden toplanan orijinal görüntüler arasından yapay görüntü yaratma yöntemi kullanarak kapsamlı bir veri kümesi hazırlanmıştır. Orjinal mikroskobik görüntüler yapay görüntü yaratma yöntemi kullanılarak çoğaltılmış ve bu çalışma için özel bir set oluşturulmuştur. Sonuç olarak, görüntü seti, farklı aydınlatma koşullarını içerecek şekilde 1000 görüntüye çıkartılmıştır. Orijinal görüntüler Türkiye'deki nehir ve göllerden toplanmıştır. Bu tezde, bir mikroskobik-görüntüde Spirulina'nın tespitinde görüntü işleme ve özellik çıkarma sonuçları raporlanmıştır. İlk olarak, Spirulina'nun mikroskobik-görüntüde tespit edilmesi için RGB görüntü formatı üzerinde morfolojik işlemler kullanılmıştır. Bu yöntemle %84 oranında tespit-başarısı gözlemlenmiştir. Daha sonra, karşılaştırma amacıyla üç farklı yöntem denenmiştir. Bu yöntemler ve ilgili tespit-başarı oranları ise; SURF 63%, FAST 67%, CNN 99% doğruluk oranı olarak belirlenmiştir. Doğal olarak, gelecekte yapılacak çalışmaların, bu çalışmaları daha ileri götüreceği görülebilmektedir. Bu tez çalışmasında, mikroskobik görüntülerde Spirulinanın otomatik olarak tespiti için CNN ilk defa denenmiştir. Spirulinanın dört farklı türünün tespiti için CNN yöntemi de kullanılmıştır. Gözlemlenen, sonuçlar karşılaştırmalı ve ayrıntılı olarak tartışılmıştır. Bilgimiz dahilindeki literatür ve araştırma sonuçları uyarınca bu çalışma, mikroskobik görüntülerde otomatik Spirulina tespiti probleminde CNN yöntemi kullanılan ilk çalışmadır. Anahtar Kelimeler: Spirulina, Otomatik tespit, Morfolojik özellik, Özellik analizi, Görüntü elde etme, Derin öğrenme, Evrişimli sinirsel ağlar, Sınıflandırma, Spirulina tespiti.In this thesis, a study on automatic detection of spirulina is presented. Spirulina is an algae microorganism with 4 species which are quite useful for the determination and monitoring of water quality. Thesis contribution is to develop an automatic process for helping the diagnosis Spirulina in water, most of the Spirulina can be diagnosed by the size and shape from microscopic images, all algae detection that has to be diagnosed in a fast and accurate way is very critical for the water quality, manual methods are used to detect spirulina. This can give rise to inaccurate results. It is also very tedious effort to detect algae within water microscopic images. Automatic detection of spirulina is a challenging task due to factors such as change in size and shape with climatic changes, growth periods and water contamination. Nowadays, the automated detection of spirulina is one of the most fervent topics in applied biology. On the other hand, Deep-Learning and Convolutional Neural Networks (CNN) is yielding better results and is a judiciously used technique for image classification and for a variety of problems. This thesis introduces CNN into the automated spirulina detection problem in order to demonstrate whether it would succeed in solving the spirulina detection problem. A comprehensive dataset was specifically prepared using an artificial image generation method out of original images that are collected from rivers and lakes in Turkey. In this study, a spirulina image data set was prepared using a customized technique for artificial image generation. Consequently, a dataset covering different illumination conditions was computationally augmented to 1000 sample images. Original images were collected from rivers and lakes in Turkey. In this thesis, the background to the spirulina detection problem, the methodology used in the study and the results of image processing and feature extraction methods to locate and extract spirulina in a microscopic image are reported. Initially, the RGB image format with morphological operations were employed to detect spirulina in a microscopic image. As a result with a rate of 84% accuracy detection was observed. Afterwards, three different methods were experimented with for comparison purposes. The methods and their relative detection success rates were observed as follows: SURF 63%, FAST feature detection 67%, CNN 99% result accuracy rate, consequently, some future work is also suggested to improve the study further. In this thesis, we introduced CNNs into the automated spirulina detection problem. A CNN method used to solve 4 class spirulina detection problem. Observed results were discussed and compared with those of previous studies. To the best of our knowledge and survey results on the literature, this is the first study to employ CNNs in the automated spirulina detection problem.