Bu PDF dosyasını indir - El-Cezeri Journal of Science and Engineering

Bu PDF dosyasını indir - El-Cezeri Journal of Science and Engineering

www.tubiad.org
ISSN:2148-3736
El-Cezerî Fen ve Mühendislik Dergisi
Cilt: 3, No: 1, 2016 (154-166)
El-Cezerî Journal of Science and
Engineering
ECJSE
Vol: 3, No: 1, 2016 (154-166)
Makale / Research Paper
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini İle Bitki Gelişiminin
Gözlenmesi
Orhan TOSUN1 Ramazan ŞENOL2
1
2
Süleyman Demirel Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, 32260, Isparta, Türkiye
Süleyman Demirel Üniversitesi, Teknoloji Fakültesi, Mekatronik Mühendisliği, 32260, Isparta, Türkiye
[email protected]
Received/Geliş: 10.11.2015
Revised/Düzeltme: Accepted/Kabul: 25.11.2015
Özet: Yaprak alanının tayininin bitki gelişimi açısından büyük önem taşıdığı bilinmektedir. Yaprak alanı,
fotosentez kapasitesi hakkında bilgi vermektedir. Bu nedenle yaprak alanının ölçümü, büyüme potansiyelinin
belirlenmesinde önemlidir. Günümüzde yaprak alanı genellikle laboratuvar ortamlarında pahalı cihazlarla
yapılabilmektedir. Bu çalışmada yaprak alanı ölçümü işlemi, mikro denetleyici tabanlı ve taşınabilir bir ünite
şeklinde tasarlanmıştır. Ölçüm için görüntü işleme teknikleri kullanılmıştır. Ünite içerisinde, yaprak alanının
tayin edildiği bölgede ışıklandırma LED diyotlar ile yapılmıştır. Yaprak alanının tayini için cihaz içerisine bir
kamera yerleştirilmiştir. Kamera ile alınan görüntü elektronik devre kartına gönderilmiştir. Görüntü mikro
denetleyici tabanlı devre kartı üzerinde görüntü işleme metotlarıyla değerlendirilmiştir. Gelen görüntüde yaprak
alanı için yaprak yüzeyi arka plandan ayıklanarak kenar tespit algoritması uygulanmıştır ve alanı hesaplanmıştır.
Kullanıcının seçimine göre elde edilen sonuç ünite üzerindeki ekranda gözlenmiştir. Bu şekilde geliştirilen
taşınabilir yaprak alanı ölçüm cihazı piyasadaki yaprak alanı ölçerlerden çok daha ekonomiktir. Bu sayede tarım
alanında faaliyet gösterenler bu sistemi daha ucuza temin ederek ölçümlerini ve bazı hastalıkların erken teşhisini
yapabileceklerdir. Bununla birlikte cihaz sayesinde bitkilerin gelişimi ve hastalık durumu yakından takip
edilebilecektir. Sistemin taşınabilir olmasıyla da sürekli laboratuvara gidip gelmeye ihtiyaç duyulmamakta ve bu
da zamandan büyük oranda kazanç sağlamaktadır.
Anahtar Kelimeler: Yaprak Alanı Ölçer, Görüntü İşleme Teknikleri, Yaprak Alanı Tespiti
Observation Plant Growth With Determinatıon Leaf Area By Using Image
Abstract: It is known that detecting leaf area is great importance for the development of the plants. Leaf area,
gives information about photosynthesis capacity. Thus, measurement of leaf area, is important to determine the
growth potential. Today, the leaf area measurement generally be done with expensive laboratory equipment. In
this study, leaf area detection processing is micro controller based and designed as a portable unit. Image
processing techniques are used for measurement. The region which is detecting of the leaf area, is illuminated by
LED diodes. A camera is placed into the unit for detecting the leaf area. The image taken by the camera is sent to
the electronic control unit. The image is processed with the image processing methods in the micro controller
unit. Leaf surface extracted from image background with image processing methods. Edge detection applied on
image and calculated the leaf area. The results were observed on the screen according to the user’s selection. The
portable leaf area meter which was developed in this study, calculates leaf area much more economical than the
other leaf area meters in the market. The operator who using this device can make leaf area measurements
cheaper. Also it is possible that to make the early diagnosis of some diseases. Development and disease status of
the plant can be monitored closely by this device without laboratory. This solution can provide quite time saver.
Key Words: Leaf Area Meter, Image Processing Methods, Leaf Area Detect
Bu makaleye atıf yapmak için
Tosun, O., Şenol, R.,“Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini İle Bitki Gelişiminin Gözlenmesi” El-Cezerî Fen ve Mühendislik Dergisi 2016, 3(1);
154-166.
How to cite this article
Tosun, O., Şenol, R., “Observation Plant Growth With Determinatıon Leaf Area By Using Image” El-Cezerî Journal of Science and Engineering, 2016, 3(1); 154166.
Tosun, O., Şenol, R.
ECJSE 2016 (1) 154-166
1. Giriş
Yaprak alan ölçümü günümüze kadar çokça kullanılmıştır. Çeşitli yöntemler geliştirilerek ölçümler
yapılmıştır. Bu ölçümlerden bir kısmı bilgisayar ortamında görüntüler fotoğraflar için özel
geliştirilen programlarla temizlenerek yapılmaktadır. Büyük bir kısmı ise büyük şirketler tarafından
geliştirilen maliyeti yüksek cihazlarla yapılmaktadır. Bu cihazlar daha çok ziraat, tarım, biyoloji
gibi alanlarda çalışanlar tarafından kullanılmaktadır. Yaprak alanı ölçümünün bu denli önemli
olması ve birçok alanda bu ölçüme ihtiyaç duyulması bu alanda çalışma yapmayı teşvik etmektedir.
Herhangi bir elektronik cihazın tasarımında, geliştirilen yazılımı çalıştırmak veya elektronik cihazın
düzgün çalışmasını sağlamak için elektronik bir devre kartı kullanılmaktadır. Bu devre kartları
beyin olarak genellikle mikro denetleyicilerde kullanılır. Son zamanlarda, kullanıcıyı her seferinde
yeni kartlar üretme zahmetinden kurtarmak için elektronik devre kartları üretilmiştir. Bu kartlar
özellikle son senelerde çok yaygınlaşmıştır. Ardunio, Raspery Pi, Beaglebone gibi hazır elektronik
devre kartları bunlara örnek verilebilir. Bu devre kartları, genelde ARM (Acorn RISC Machine)
mikro denetleyicisi kullanılarak üretilmiştir. Üretilen devre kartları destekledikleri yazılım diline
göre kodlanarak kullanıcının istedikleri işlemleri yapmaktadır.
Çağımızda önemli ölçüde gelişme gösteren tekniklerden bir tanesi de görüntü işleme teknikleridir.
Görüntü işleme teknikleri özellikle fotoğraf çekimi ve kullanımının son derece artış gösterdiği
günümüzde sıkça kullanılmaktadır. Bilgisayardaki yüz tanıma gibi uygulamalar, tablet bilgisayar
veya akıllı telefonlardaki benzer uygulamalar görüntü işleme alanına ait uygulamalara örneklerdir.
Görüntü işleme, normalde pahalı cihazlarla, çok sayıda sensör kullanılarak yapılabilecek
uygulamaları, sadece uygun kalitedeki bir fotoğraf ile yapabilmektedir. Mesela karanlıktaki hareket
geçişini görüntülemek için, ses, ısı vb. sensörlere ihtiyaç duyulmaktadır ve bu sensörlerin düzgün
çalışması için çeşitli elektronik devreler gerekmektedir. Ancak böyle bir sistem görüntü işleme ile
yapılacaksa kameradan alınan görüntü üzerine görüntü işleme teknikleri uygulanarak arka plandan
kurtarma ile hem hareket tespit edilebilir, hem de diğer sensörlere oranla daha kesin bilgi elde
edinilebilir. Görüntü işleme hem donanım sayısını ve çeşidini azaltma hem de çalışma ortamı
risklerini azaltma bakımından daha tercih edilebilir bir yöntemdir.
Gerek küçük elektronik devre kartlarının kullanımın artması, gerek taşınabilir cihazların
kullanımının artması görüntü işleme tekniklerinin taşınabilir sistemlerde de kullanılmasını
yaygınlaştırmıştır. Özellikle akıllı telefon ve tabletlerin kendi mağazalarının ücretli veya ücretsiz
olarak sunduğu uygulamaların büyük bir kısmında görüntü işleme tekniklerinin kullanıldığını
görmekteyiz. Yüz tanıma, karakter tanıma, kamera önündeki hareketi algılama gibi bazı programlar
bunlara örnek olarak verilebilir. Görüntü işleme teknikleri uzun yıllardır kullanılan teknikler
olmakla birlikle çokça kütüphane ve yazılım dili ile desteklenmektedir.
1.1 Yaprak Alanı Ölçümünün Önemi
Yaprağın fizyolojik işlevi yaprak büyüklüğü ile doğru orantılıdır. Fizyolojik çalışmalarda, yaprağın
fotosentez kapasitesi, yaprağın birim alanının ürettiği fotosentez ürünleriyle ilgili olduğundan, yaprak
alanının bilinmesi biyokimyasal ve fotokimyasal yönden büyük önem taşımaktadır [1].
Yapraklar, ışık enerjisinin yakalandığı ve bitki büyümesinde ihtiyaç olan metabolitlerin üretiminde
kullandığı en önemli organlardır. Diğer çevre koşullarının sınırlı olmadığı bir ortamda, bitkisel üretim
(madde birikimi), bitkinin yaşamı boyunca yakalayabildiği ışık enerjisi miktarı tarafından belirlenmektedir
[2].
Yaprak alanı, fotosentezin büyüklüğünün belirleyicisidir. Bu yüzden yaprak alanının ölçümü, büyüme
potansiyelinin belirlenmesinde önemlidir. Yaprak miktarı (bioması) toplam ağaç biomasının %4-6‘sını
oluşturmasına rağmen, ormandaki hacim üretim miktarının tahmininde çok önemlidir. Yaprak alanı ile bir
155
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini ile…
ECJSE 2016 (1) 154-166
ağaçta çap, boy ve hacim büyümesi arasında alometrik ilişkiler mevcuttur [3,4]. Yaprak alanı, bitki inceleme
ile ilgili önemli bir faktördür. Yaprak alanı ile bitkinin birçok özelliği tespit edilebilmektedir.
1.2 Yaprak Alanı Ölçümü İle İlgili Örnek Çalışmalar
Görüntü İşleme Tabanlı Konum Denetimi isimli bir çalışmada çift etkili pnömatik bir silindirin
görüntü işleme tabanlı on-off denetimi gerçekleştirilmiştir. Silindirin hareketi bir adet USB kamera
yardımı ile izlenmiş ve belirli aralıklarda resim çekilmiştir. Bilgisayar ortamına aktarılan sayısal
görüntüler öncelikle gri ölçekli resimlere dönüştürülmüş, daha sonra eşikleme işlemine tabi
tutularak arka plan ve silindir ayırt edilmiştir [5].
Görüntü İşleme Teknikleri Kullanarak Optik Karakter Tanımlama isimli çalışmada görüntü işleme
teknikleri kullanarak kameradan alınan kimlik görüntülerinden kimlik bilgisinin otomatik olarak
doğru tanınması amaçlanmıştır. Bu çalışmada kameradan nüfus cüzdanı görüntüleri alınmış,
ikilileştirme, ışığa göre değişken eşik değer tespiti ve Hough dönüşümleriyle kimlik numaralarının
yerleri tespit edilmiştir. İzdüşüm yöntemiyle rakamlar resimden tek tek çıkarılmıştır. Yeniden ön
işleme tabi tutulan resimlerin dalgacık ve yapısal öznitelikleri çıkarılmıştır. Tanıma aşamasında ise
yapay sinir ağları kullanılmıştır [6].
“Fast and Accurate Method for Leaf Area Measurement” isimli çalışmada görüntü işleme
kullanarak yaprak alanı ölçümü için basit ve hızlı algoritma uygulanmaktadır. Görüntü dijital
kamera kullanılarak elde edilip ve JPEG formatında saklanmaktadır. RGB görüntüye CIELAB
ortamında renk dönüşümü yapılmıştır. Rengi dönüştürülmüş görüntüye eşik tekniği kullanılarak
bölümlere ayrılmaktadır. Eşik hesaplanırken OTSU algoritması kullanılmıştır. Yaprak alanındaki
delikler bölge doldurma tekniği kullanılarak doldurulmaktadır. Referans alan ve yaprak alanındaki
piksellerin sayısı hesaplanır ve yaprak alanı piksel ile oranlanmaktadır [7].
“A New Image-Processing-Based Technique for Measuring Leaf Dimensions” isimli çalışmada
yaprak boyutu bir dizi parametre ölçmek için yeni bir yöntem önerilmektedir. Yükseklik, genişlik,
ortalama genişliği, çevre ve alan dâhil olmak üzere. Bir dijital tarayıcı, dijital fotoğraf makinelerinin
aksine, yaprak görüntüleri elde etmek için kullanılır. Elde edilen görüntüler büyüklüğü ve açısı
bakımından hiçbir ölçümleme gerektirmez. Kenar algılama, filtreleme ve eşikleme algoritmaları
görüntünün yaprak bölümünü belirlemek için uygulanır. Ölçülen değerler ve Li-Cor 3100 cihazı
tarafından üretilen parametreler karşılaştırılmış ve yüksek oranda doğruluk elde edilmiştir [8].
Canlı bitki yaprağı için etkili bir ölçme yöntemi görüntü işleme tekniğine dayalı önerilmektedir.
Görüntünün geometrik bozulmaları haritalama işlevi kullanarak öncelikle düzeltilmektedir. Bunun
için, Hough dönüşümü yapılmakta ve dörtgen köşe koordinatlarını elde etmek kullanılan çarpık
görüntüde noktalar belirlenmektedir. Ardından, görüntü segmentasyonu yapılmakta ve eşik yöntemi
kullanılmaktadır. Yaprak delik etkisini ortadan kaldırmak için, yeni bir kenar çıkarma yaklaşımı
sunulmaktadır. Bir taraftan piksel tarama karşılıklı kenar çıkarmak için dört yönde
uygulanmaktadır. Son olarak, yaprak alanı piksel sayısı istatistiğe göre ölçülmektedir [9].
Detection And Classıfıcation of Plant Diseases By Image Processing isimli çalışmada bitki
yaprağındaki hastalığın sınıflandırılması için yazılım tabanlı otomatik algılama sistemi
geliştitilmiştir. Hastalıkları çıplak gözle algılamak ve sınıflandırmak zaman alıcı ve pahalı olabilir.
Bu çalışmada hızlı, otomatik, ucuz ve doğru bir görüntü işleme tabanlı çözüm sunulmaktadır.
Çözüm dört ana aşamadan oluşmaktadır; İlk aşamada RGB yaprak görüntüsü için bir renk
dönüşümü yapılmaktadır. Daha sonra, ikinci aşamada, K-Means isimli yöntem uygulanmaktadır.
Üçüncü aşama, doku özellikleri hesaplanmaktadır [10].
156
Tosun, O., Şenol, R.
ECJSE 2016 (1) 154-166
Bu çalışmada ise ARM (Acorn RISC Machine) mikro denetleyicisini kullanan Beaglebone Black
elektronik devre kartı kullanılmıştır. Beaglebone Black mikro denetleyici tabanlı bir minibilgisayardır. İçerisine Linux tabanlı bir işletim sistemi kurularak kontrolü yapılabilmektedir.
İnternet üzerinden bağlantı, sensör değerlerini okuyabilme, içerisinde yazılım dili için gerekli
ortamlara sahip olma gibi önemli özelliklere sahiptir.
Görüntü işleme uygulamaları için açık kaynak kodlu bir kütüphane olan OpenCV kullanılmıştır.
Yazılım dili olarak ise Python dili tercih edilmiştir. Python programlama dilinin seçiminde, 2014
verilerine göre en çok kullanılan programlama dili olması ve görüntü işleme metotları için çok geniş
kütüphanelere sahip olması ayrıca görüntü işleme alanında çok sayıda uygulamaya sahip olması
etkili olmuştur. Beaglebone devre kartı ile, üzerindeki işletim sistemi içerisinde kurulmuş vaziyette
bulunan Linux işletim sistemi ortamında görüntü işleme metotları Python programlama dili ile
kodlanarak gelen görüntü üzerinde işlem yapılarak sonuç geri döndürülmüş ve ekran üzerinde
yazılmıştır.
Bu çalışmada basit bir webcam kullanılmıştır. Görüntünün düzgün olarak sisteme aktarılması
önemlidir. Webcam ile alınan görüntü devre kartı üzerinde işlenmiştir. Yaprağın köşeleri tespit
edilerek daha sonra yaprak alan hesabı yapılmıştır. Yaprak fotoğrafı alındıktan sonra ilk olarak,
yaprak görüntüsü arkaplandan kurtarılmıştır. Daha sonra kenar tespit algoritması ile yaprağın
kapladığı alan ortaya çıkarılmıştır. Alanı bilinen bir nesnenin piksel karşılığı ile yaprağın piksel
karşılığı arasında oranlama yapılarak yaprak alanı tespit edilmiştir. Elde edilen sonuçlar ekran
üzerinde görüntülenmiştir. Ayrıca elde edilen veriler isteğe göre depolanabilecektir.
2. Yöntem
2.1. Görüntü İşleme
Görüntü işleme ölçülmüş veya kaydedilmiş olan elektronik (dijital) görüntü verilerini, elektronik
ortamda (bilgisayar ve yazılımlar yardımı ile) amaca uygun şekilde değiştirmeye yönelik yapılan
bilgisayar çalışmasıdır. Görüntü işleme, daha çok, kaydedilmiş olan, mevcut görüntüleri işlemek,
yani mevcut resim ve grafikleri, değiştirmek, yabancılaştırmak ya da iyileştirmek için kullanılır
[11].
Görüntü işleme teknikleri, yapılan çalışmalarda genellikle MATLAB Image Processing Toolbox ve
OpenCV kütüphaneleri kullanılarak gerçekleştirilmektedir. Özellikle MATLAB kütüphanesi geçmiş
çalışmalarda çokça tercih edilmiştir. Ancak MATLAB programı lisans ü creti talep etmektedir. Bu
durum da her kullanıcının görüntü işleme teknikleri için MATLAB kullanılmasının önüne
geçmektedir. Ayrıca, MATLAB üzerinden geliştirilen uygulamaların düzgün çalışması için hedef
cihazda MATLAB’ ın verimli çalışabilmesi için cihaz üzerinde MATLAB uyumlu bazı
programların kurulması gerekmektedir. Bu da her durumda yapılabilecek bir şey değildir. Özellikle
cihazın belirli bir kapasitesi varsa bu durum problemlere yol açabilir. Bu doğrultuda bahsettiğimiz
olumsuzlukları barındırmayan bir kütüphane gereklidir. OpenCV kütüphanesi son zamanlardaki
gelişimiyle kullanıcılar tarafından daha çok tercih edilmeye başlanmıştır. OpenCV kütüphanesi
ücretsiz kullanım olanağı sunmaktadır. OpenCV kütüphanesi Intel tarafından geliştirilmiş bir
kütüphanedir. OpenCV kütüphanesi Windows, Linux, macOS X gibi bir çok işletim sisteminde
sorunsuz çalışmaktadır. Ayrıca OpenCV C, C++, Python ve Java gibi programlama dilleriyle de
uyumludur [12].
Bu çalışmada görüntü işleme kütüphanesi olarak OpenCV tercih edilmiştir. Programa dili de
OpenCV ile uyum içerisinde çalışabilen ve yeterli sayıda kaynak barından Python dili seçilmiştir.
157
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini ile…
ECJSE 2016 (1) 154-166
2.1.1 Matematiksel Morfoloji Ve Morfolojik Görüntü İşleme
Biyolojinin, canlıların şekil ve yapıları ile ilgilenen dalına morfoloji (biçim bilimi) adı
verilmektedir. Matematiksel morfoloji ise temel küme işlemlerine dayanan, imgedeki sınırlar,
iskelet gibi yapıların tanımlanması ve çıkartılması, gürültü temizleme, bölütleme gibi uygulamalar
için gerekli olan bir araçtır. İmge işlemede genellikle, morfolojik süzgeçleme, inceltme, budama
gibi ön veya son işlem olarak da çoklukla kullanılmaktadır [13].
Morfolojik görüntü işleme başlıca erosion, dilation, opening, closing gibi yöntemler barındırır.
2.1.1.1 Erozyon
Erozyon, binary (siyah beyaz) resimler üzerine uygulanan bir tekniktir. Temel amacı resimdeki
beyaz alanları inceltmektir. Belirlenen oranda resim üzerindeki beyaz alanlarda kırma işlemi yapar.
Erozyon tekniğinin adım adım uygulaması Şekil 1 te verilmiştir [13].
Şekil 1 Erozyon Yöntemine Bir Örnek[13].
2.1.1.2 Genişleme
Dilation da erosion gibi binary (siyah beyaz) resimler üzerinde uygulanan bir tekniktir. Dilation
erosionun aksine resimdeki beyaz alanları genişletmeyi amaçlar. Belirlenen oranda resimdeki beyaz
alanlar genişletilir. Şekil 2’ da görüldüğü gibi dilation daha çok görünmesi ya da okunması zor yazı
türündeki değişkenler için kullanılır [13].
Şekil 2 Genişleme Yöntemine Bir Örnek[13].
2.1.1.3 Açma
Açma olarak adlandırılan bu filtre ikili görüntüye sırasıyla erozyon ve genişleme filtresi
uygulanmaktadır. Bu işlemin amacı resimdeki gereksiz alanları çıkarıp, istenen nesnenin daha
belirgin hale gelmesi sağlanmaktadır [13].
2.1.1.4 Kapama
Kapama filtresinde ikili görüntüye sırasıyla genişleme ve erozyon filtrelerinin uygulanmaktadır.
Kapama filtresinin çıktısı genişleme filtresine benzemektedir ancak filtre sonrası kapama
filtresinde, genişleme filtresinden sonra erozyon filtresinin uygulanmasıyla, beyaz alanlar genişleme
filtresinin çıktısına göre daha fazla aşınmaktadır [13].
158
Tosun, O., Şenol, R.
ECJSE 2016 (1) 154-166
2.1.2 Görüntü Bölütleme
Segmentasyon genellikle görüntü analizinin ilk aşamasıdır. Görüntü bölütleme, bir görüntüyü her
biri içerisinde farklı özelliklerin tutulduğu anlamlı bölgelere ayırmak olarak açıklanmaktadır.
Örneğin, görüntü içerisindeki benzer parlaklıklar olabilir ve bu parlaklıklar ilgili görüntünün farklı
bölgelerindeki nesneleri temsil edebilir. Uygulamaya bağlı olarak değişebilen bu segmentlere
(bölütler-elemanlar) başka bir örnek olarak; hava-yer fotoğrafında, yolda hareket eden araçları ve
çevreyi yoldan ayırt edebilmek için bir segmentleme yapılabilmektedir. Ancak tüm görüntülere
uygulanabilecek genel bir bölütleme yöntemi yoktur ve hiçbir bölütleme yöntemi mükemmel
değildir. Başka bir deyişle, görüntü iyileştirme ve onarma problemlerinde olduğu gibi görüntü
bölütleme için tasarlanan yöntemler ve bu yöntemlerin başarımları, görüntüden görüntüye ve
uygulamaya dayalı olarak değişiklik arz etmektedir. Kullanıcı resmin kalitesine, yapacağı işleme ve
beklentilere göre bölütleme işlemini farklı yollarla gerçekleştirmektedir. Bu işleme dinamiklik
vermek yani her resim için belli oranda doğru çalışmasını sağlamak için yapılan görüntü
segmentasyonu görüntü işlemenin en zor işlemlerinden biridir. Eşikleme ve kenar tespiti görüntü
bölütlemenin en önemli tekniklerindendir [13, 14].
2.1.3 Eşikleme
Eşikleme yada ikili tonlama gri tonlanmış bir resmin siyah-beyaz (ikili) uzaya dönüştürülmesi
işlemidir. Eşikleme, görüntü bölütleme amacı için kullanılan en önemli yaklaşımlardan birisidir.
Eşikleme işlemindeki temel amaç, görüntü içerisindeki nesneleri görüntü arka planından ayırmaktır.
Eşikleme için, görüntüdeki gri seviye dağılımlarını gösteren görüntü histogramından faydalanılır
[13].
Şekil 3. Renkli Nesnelere Örnek Bir Histogram [13].
Örneğin, koyu bir arka plan üzerinde açık renkli nesnelerden oluşan f(i, j) görüntüsüne ilişkin
histogramı Şekil 3’teki biçime sahip olacaktır. Bu histograma göre, nesnelere ve arka plana ait
pikseller olmak üzere, görüntüyü iki ana grupta değerlendirmek mümkündür. Bu durumda nesneleri
arka plandan ayırmak için en kolay yol, histogramdan göreceli olarak belirlenen bir T eşik değeri ile
görüntüdeki piksel değerlerini karşılaştırmak olacaktır. Buna göre, görüntüdeki herhangi bir (i, j)
pikseli için; f(i, j) > T ise (i, j) pikseli nesneye ait bir nokta, f(i,j) ≤ T ise (i, j) pikseli arka plana ait
bir nokta olacaktır [13]. Şekil 4’ de bir resmin eşikleme uygulanmadan önceki ve sonraki halleri
gösterilmiştir.
Şekil 4. Pirinç Parçacıklarına ait bir resme eşikleme uygulanması [13].
159
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini ile…
ECJSE 2016 (1) 154-166
2.1.3.1. OTSU Algoritması
OTSU algoritması histogram tabanlı bir eşikleme yöntemidir. Histogramda eşikleme yapılabilecek
en uygun konumun bulunması için kullanılır [13].
2.1.4. Kenar Bulma
Bir görüntüde kenar, aydınlatma veya yüzey yansımaları gibi bir görüntünün fiziksel görünüşünde
oluşan önemli bir değişime karşılık gelmektedir ve bu değişim kendisini parlaklık, renk ve doku
olarak göstermektedir. Burada kenar sözcüğü, sadece görüntü parlaklıklarındaki değişiklikler olarak
değerlendirilmektedir. Bu anlamda, bir görüntünün gri seviyelerinde ani değişikliklerin olduğu
bölgelere kenar adı verilmektedir. Görüntüye ilişkin kenarların belirlenmesi birçok yöntemde
kullanılmaktadır. Nesne tanıma problemi buna bir örnek olarak verilebilir. Nesne tanımada temel
adım, bir görüntüyü farklı nesnelere karşı düşen farklı bölgelere bölmelemektir. Kenar belirleme
işleminin kullanışlı olduğu diğer bir örnek, sadece görüntüye ilişkin kenarların kodlandığı düşük bit
oranlarında görüntü kodlama uygulamasıdır.
Kenar belirlemenin önemli uygulamalarından biri de, görüntü içerisindeki belirli nesnelerin
boyutunun doğru bir şekilde ölçülmesi işlemidir. Cisimlerin fiziksel özellikleri ile kenarları arasında
doğrudan bir ilişki söz konusu olmaktadır. Dolayısıyla görüntünün birçok fiziksel özelliği kenar
bilgisinden ortaya çıkarılabilmektedir. Dolayısıyla kenar belirleme konusu, görüntü analizindeki
önemli konulardan biri olarak kabul edilmektedir [13, 14].
2.2 ARM Mimarisine Sahip Geliştirme Kartları
Birçok firma ARM mimarisine sahip geliştirme kartları üretmektedir. Firmalar kendi belirledikleri
kıstaslara göre geliştirme kartları üretirler. Bundan dolayı geliştirme kartları farklı özelliklere
sahiptir [15]. Şekil 5’ te ARM tabanlı bazı geliştirme kartları verilmiştir. Geliştirme kartları, yeni
uygulamalar geliştirmeyi hızlandırmakta, uzun, karışık kodlardan kullanıcıyı kurtarmakta ve
tasarımdan kaynaklı problemleri ortadan kaldırmaktadır. Özellikle Ardunio firmasının yaptığı
atılımdan sonra geliştirme kartları yaygınlaşmıştır. Gelişme kartlarının büyük çoğunluğunda ARM
işlemci mimarisi kullanılmaktadır.
Şekil 5. ARM Mimarisi kullanan bazı geliştirme kartları
Bu tez çalışmasında Beaglebone Black Geliştirme kartı kullanılmıştır.
2.2.1 Beaglebone Geliştirme Kartı
Beaglebone geliştirme kartı da ARM (Acorn RISC Machine) mimarisi kullanılarak üretilmiş bir
geliştirme kartıdır. Gelecekte şu an kullanılan geliştirme kartlarının yerini alacak ürünlerin başında
gelmektedir. Düşük maliyet ve yüksek hız insanları bu cihazlara çekecek en büyük etmenler
160
Tosun, O., Şenol, R.
ECJSE 2016 (1) 154-166
arasındadır. Beagleboard serisi cihazlar single-board computer ismiyle piyasaya çıkmış ve daha çok
mikro denetleyicileri ve donanımları kontrol etme amacıyla sunulmuştur. Beaglebone ise bu
özelliklerin yanında mikro denetleyicilerin yerini alması için tasarlanmış bir cihazdır. İşlemci
programlama adına kolaylıklar eklenerek oluşturulmuştur. Bu bakımdan daha popüler olması
tahmin edilmektedir [16].
Beaglebone üzerinde 720MHz AM3359 işlemci bulunmaktadır. Cihaz üzerinde, gücü verme şekline
göre bu hız 500 ile 720 Mhz arasında değişiklik göstermektedir. Ayrıca üzerinde 256Mb 400MHz
DDR2 ram bulunuyor. Bu özellikleri değerlendirildiğinde oldukça güçlü bir cihaz olduğunu ortaya
çıkmaktadır. Ayrıca kullanılan işlemcinin 5$ olduğunu düşündüğümüzde düşük maliyet bazında da
ilgi çekecek bir üründür [16].
2.2.1.2 Beaglebone Black
Beaglebone serisinin son olarak ürettiği model Beaglebone Black geliştirme kartıdır. Beaglebone
Black’in başlıca özellikleri ve sahip olduğu değişkenler,
 1 GHz Sitara AM3359 ARM-CORTEX-A8 İşlemci
 512 MB DDR3 RAM
 2 GB eMMC
 Micro HDMI Girişi
 Ethernet Çıkışı
 65 GPIO
 Micro SD Kart Girişi
 USB Client ve USB Host Konnektörleri
şeklindedir. Beaglebone Black’ in BeagleBone’dan farklılıklardan söz edecek olursak;
En önemli farklılık HDMI (High Definition Multimedia Interface) kablo ile bağlantısının olmasıdır.
Kart sadece konsoldan değil bir micro HDMI kablo aracılığı ile görsel olarak kontrol
edilebilmektedir. Kart ile birlikte X11 destekli Angstrom sürümü gelmektedir. Yani hiçbir şey
yapılmasına gerek kalmadan Beaglebone Black direkt monitöre bağlanarak kullanılabilir [17].
Diğer bir farklılık ise kartın üzerinde eMMC entegresinin bulunmasıdır. İşletim sistemi bu
entegreye yüklenerek harici olarak bir SD (Secure Digital) karta ihtiyaç olmadan
kullanabilmektedir. Yeni bir işletim sistemi kurulması istenirse bu noktada harici bir SD karta
ihtiyaç duyulmaktadır.
BB (Beaglebone) Black performans olarak da BB’ dan bir kaç adım daha öndedir. İşlemci hızı
1GHz (Giga Hertz) ve RAM (Random Access Memory)’ i 512 MB (Mega Byte) DDR3 (Double
Data Rate)’ tür. Bunlar BB’ da ise 720 Mhz işlemci 256 MB DDR2 RAM olarak yer almaktadır.
Kartın önemli bir eksiği üzerinde USB (Universal Serial Bus) -RS232 seri iletişim standardı
dönüştürücü entegre bulunmamasıdır. Bunun yerine hata ayıklama pinleri bulunmaktadır. Bu pinleri
kullanarak harici bir USB-RS232 dönüştürücü ile konsola erişilmektedir. Yani BB’daki gibi FTDI
(Future Technology Devices International) entegresine sahip değildir [17].
2.3 Yaprak Alanı Ölçer Cihazı
Bu tez çalışmasında görüntü işleme metotları kullanılarak ölçüm yapabilen bir yaprak alanı ölçer
cihazı geliştirilmiştir. Cihaz dört temel parçadan oluşmaktadır. Yaprağın görüntüsünü hatasız bir
şekilde inceleyebilmek için ışık yalıtımlı bir ünite oluşturulmuştur. Ünitede yaprağın fotoğrafının
yer alacağı yüzey beyaz renkli ve pürüzsüz olarak belirlenmiştir. Alanın boyutları projede
kullanılacak kamera olan Logitech HD C270 cihazının çözünürlük boyutları olan 1280 x 720
piksele göre belirlenmiştir. Kamera yaprağın görüntüsünün alınacağı alanın tam karşısına uygun
mesafede yerleştirilmiştir. Kamera tercihinde ana ölçütler yaprağın görüntüsünün düzgün bir
161
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini ile…
ECJSE 2016 (1) 154-166
şekilde alınabilmesi ve ekonomiklik olmuştur. Kameranın çözünürlüğü ve çekim kalitesi yapılan
çalışma için uygundur. Ünitenin içerisi led diyotlarla aydınlatılmıştır. Yaprağın bulunacağı yüzeyin
hemen karşısına dairesel bir tasarımla beyaz led diyotlar yerleştirilmiştir. Bu şekilde yaprak yüzeyi
düzgünce aydınlatılarak görüntünün kusursuz alınması sağlanmıştır.
Şekil 6 Sistemin Blok Diyagramı
2.3.1 Sistemin Çalışması
Yaprak alanı ölçer siteminin çalışması dört aşamada gerçekleşmektedir. İlk aşamada yaprak
fotoğrafın alınacağı alana düzgünce yerleştirilerek fotoğrafı alınmaktadır. Daha sonra bu fotoğraf
Beaglebone Black geliştirme kartına gönderilmektedir. Beaglebone Black içerisinde görüntü işleme
metotlarıyla değerlendirilen fotoğrafın alanı ölçülerek ekrana gönderilmekte ve kullanıcının
görmesi sağlanmaktadır.
2.3.1.1 Sistem Yazılımının Çalışma Prensibi
Yaprak üniteye düzgünce yerleştirilip fotoğraf alındıktan sonra fotoğraf Beaglebone Black cihazına
gönderilmektedir. Beaglebone Black cihazı içerisinde geliştirilen görüntü işleme yazılımı yer aldığı
için gerekli işlem burada yapılarak sonuç LCD ekrana yansıtılacaktır.
Görüntü işleme yazılımı Pycharm ortamında, OpenCV kütüphanesinde, Python programlama dili ile
hazırlanmıştır. Yazılımın oluşturulduğu ortamdan bir ekran görüntüsü Şekil 6’ ta verilmiştir.
Bu çalışmada kamera ile alınan görüntünün içerisinde kullanılması gereken alan yaprak yüzeyidir.
Bu nedenle yaprak yüzeyinin arka plandaki görüntülerden arındırılarak işlem yapılması uygun
olacaktır. Bu çalışmanın donanım kısmında yaprağın yerleştirildiği alanın tam karşısına led ile
ışıklandırma yapılarak oluşabilecek gölge, yarı gölge gibi işleme zarar verecek olan değişkenlerin
azaltılması amaçlanmıştır. Daha sonra yazılım kısmında ise çeşitli adımlar izlenerek yaprağın
kenarları tespit edilmiştir. İlk adımda resim siyah beyaza çevrilmiştir. Sonrasında en çok kullanılan
ayrıştırma algoritmalarından biri olan eşikleme yöntemiyle cisim ön plana çıkarılmıştır. Son olarak
da kenar bulma algoritması uygulanarak ekrandaki cisimlerin kenarları tespit edilmiştir.
Kullanıcının bu işlemi görebilmesi için kırmızı ve yeşil renkler ile kenarlar yapay olarak çizilmiştir.
Yapılan işlemlerin özeti 4 adım ile Şekil 7’ te gösterilmiştir.
162
Tosun, O., Şenol, R.
ECJSE 2016 (1) 154-166
Şekil 7 Yaprak Alanı Ölçümü İçin Kenar Tespiti
Kenar tespiti sağlandıktan sonra yaprak alanı ölçüm işlemlerine geçilmektedir. Temel olarak ölçüm
şu şekilde yapılmıştır. Alanı kesin olarak bilinen kare (referans objesi) bir cisim ile yaprak aynı
yüzeye yerleştirilmiştir. Alınan fotoğrafta cisimlerin kapladıkları piksel sayısı tespit edilmiştir.
Daha sonra yaprağın alanının referans objenin alanının kaç katı olduğu tespit edilmektedir. Referans
objenin alanı daha önceden bilindiği için ortaya çıkan sonuç yaprak alanını değerine
ulaştırmaktadır. Mesela referans objenin alanı eğer 1 cm 2 seçilmiş ise başka bir işleme gerek
kalmadan sonuç doğrudan yaprak alanını vermektedir. Ancak referans alanı 3 cm 2 gibi bir değer
seçilirse çıkan sonuç 3 ile çarpılmalıdır.
3. Bulgular
Çalışmada çilek, domates, asma gibi bitkilerin yapraklardan çokça örnek alınarak ölçüm yapılmıştır.
Yapılan ölçümlerin doğruluk kontrolü ise şu şekilde yapılmıştır; alanı kesin olarak belli olan
homojen ve geometrik birkaç cisim geliştirilen cihazla ölçülmüştür. Bunun sonucunda ise büyük
oranda ölçümün doğruluğu tespit edilmiştir. Ölçümün yapıldığı çeşitli büyüklüklerdeki cisimlerden
bazıları Şekil 8’ te gösterilmiştir. Tablo 1’ de ise cisimlerin gerçek alanları ve yaprak alanı ölçer
cihazımızla elde edilen değerler arasındaki fark gösterilmiştir.
Şekil 8. Referans Alınan Şekillerin Alanlarının Ölçülmesi
Tablo 1. Referans Alınan Cisimlerin Ölçülen Değerleri
Cismin Gerçek Alanı
Yaprak Alanı Ölçerle Tespit Edilen
Alan
25
24.9849830055
51.2
51.2286175143
16
16.0064977258
163
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini ile…
ECJSE 2016 (1) 154-166
3.1. Yaprak Alanı Ölçümlerinin Yapılması
Bu çalışmada geliştirilen yaprak alanı ölçer cihazı ile ölçüm yapmak son derece kolaydır. Yaprak ve
referans objesi ölçüm alanına düzgün bir şekilde yerleştirilmelidir. Yaprağın düzgün yerleştirilmesi
önemli olduğu kadar referans objesinin alana düzgün yerleştirilmesi de önemlidir. Referans
objesinin kapladığı pikselin düzgün olarak ölçülmesi programın da düzgün çalışarak doğru sonuç
vermesi için oldukça önemlidir. Bu aşamadan sonra ışıklandırma ve cihaz için gerekli enerji
sağlanmalıdır. Ledler yanarak ışıklandırma sağlandıktan sonra cihaza bağlı ekran üzerinden
program çalıştırılarak sonuç görüntülenmektedir. Şekil 9’ da sistemin genel görünümü
gösterilmiştir.
Şekil 9 Yaprak Alanı Ölçer Sisteminin Genel Görüntüsü
Çalışmada çeşitli bitkilerden alınan örnekler cihaza düzgün bir şekilde yerleştirilerek ölçüm
yapılmıştır. Ölçümün yapıldığı alan ve ölçümün sonucu ekran üzerinde gösterilmiştir. Şekil 10’ da
ölçümü yapılan bazı yapraklar verilmiştir. Elde edilen sonuçlar ise Tablo 2’ de gösterilmiştir.
Şekil 10 Çalışmada Ölçümü Yapılan Yapraklardan Bazıları
Tablo 2 Tespit Edilen Yaprak Alanları
Yaprak Sırası
Yaprak Alanı
1. Yaprak
9.18665563827
2. Yaprak
13.856
3. Yaprak
10.9762619372
4. Yaprak
17.0159165752
5. Yaprak
12.5492185358
6. Yaprak
9.40470330872
164
Tosun, O., Şenol, R.
ECJSE 2016 (1) 154-166
4. Sonuçlar
Bu çalışmada yaprak alanı ölçebilmek için alternatif bir bakış açısı oluşması sağlanmıştır. Yapılan
değerlendirmeler sonrasında geliştirilen cihazın ortalama doğruluk derecesinin yaklaşık %99’ a
yakın bir değer olduğu tespit edilmiştir. Yaprak alanı ölçümü bitki gelişimi takibi açısından çok
önemli bir yere sahiptir. Bitki yaprak alanı periyodik olarak incelenerek bitki gelişimi hakkında
bilgi sahibi olunabilmektedir. Özellikle son zamanlarda yapılan çalışmalarda orman bitkilerinin
yaprak alanlarının son 50 yılda düşüşe geçtiği tespit edilmiştir. Yani önlem alınmazsa orman
bitkileri belli bir zaman sonra yok olma tehlikesi ile karşı karşıya kalacaktır. Bu da tüm dünyayı
olumsuz etkileyecektir. Bu denli önem taşıyan yaprak alanı ölçümü belirli aralıklarla ve düzgün bir
şekilde yapılırsa bitkilerin gelişim durumu öğrenilebilecek ve gereken önlemler alınabilecektir.
Yaprak alanı ölçümü için piyasada yaprak alanı ölçer cihazları bulunmaktadır. Ancak bu
cihazlardan bir kısmı laboratuvar ortamında uzman bir kişinin yardımıyla kullanılabilmektedir. Bu
cihazların fiyatları da oldukça yüksektir. Taşınabilir olarak üretilen cihazların fiyatları bu
cihazlardan da daha yüksektir. Ayrıca bu cihazların Türkiye’ de üretimi yapılmamaktadır.
Araştırmacıların ve üreticilerin büyük bir çoğunluğu kullanımının uzmanlık gerektirmesi ve
cihazların ücretlerinin çok yüksek olması nedeniyle bu cihazları temin edememektedirler.
Bu çalışmada temel elamanlar kamera, devre kartı, LED diyotlar ve ünitenin dış kısmını oluşturan
maddedir. Yaprak alanı ölçer cihazı için kullanılan bu elemanlar son derece ekonomiktir. Üreticiler
ve bu konular üzerinde araştırma yapanlar zorluk çekmeden yaprak alanı ölçer cihazını temin
edebilir ve herhangi bir uzmanlığa ihtiyaç duymadan ölçümlerini yapabilirler. Ayrıca cihaz
taşınabilir olduğu için arazilere götürülerek anında ölçüm imkânı sağlamaktadır. Ekonomikliğinin
yanında diğer cihazlara göre bir avantajı da yazılım tetiklendikten çok kısa bir süre sonra sonucun
görüntülenebilmesidir. Diğer cihazlarda tarama süresinin beklenmesi gerekmektedir.
Sonuç olarak ekonomik, taşınabilir, hızlı ve doğru sonuç veren bir yaprak alanı ölçer cihazı
geliştirilmiştir. Cihaz ileride bu konuda çalışma yapmak isteyenlere alternatif bir bakış a çısı
sağlanmaktadır. Cihaz daha kullanışlı bir koruma maddesiyle üretilebilir. Cihaz ana eleman olarak
Beaglebone Black cihazını içinde barındırdığı için devam eden çalışmalarda, internet bağlantısı,
veri depolama, dokunmatik ekran gibi değişkenlerle daha zengin bir hale getirilebilir.
5. Kaynaklar
[1] Kliewer W.M., Qught C.S, 1970) The Effect of Leaf Area and Crop Level on The
Concenrtration of Amino Acids and Total Nitraogen in Thompson Seedless Grapes. Vitis 9,
196- 2006.
[2] Kanemasu, E.T., Asrar, G. and Fuchs, M., 1985. Application of remotely sensed data in wheat
growht modelling. In: Wheat growht and modelling, Eds.: W. Day and R.K. Atkin. NATO ASI
Series, Series A: Life Sciences, 86, 357-369.
[3] Bozcuk, S., 1998. Bitki Fizyolojisi. 2. Baskı, 223 s., Ankara. Fırat,F., 1972. Orman Hasılat
Bilgisi İ.Ü. Yayın No: 1642, Orman Fakültesi Yayın No: 166, 191s., İstanbul.
[4] Kalıpsız, A., 1988. Orman Hasılat Bilgisi. İÜ. Yayın No: 3516, Orman Fakültesi Yayın No: 397,
349 s., İstanbul.
[5] Mutlu, G., 2011. Görüntü İşleme Tabanlı Konum Denetimi, Yüksek Lisans Tezi, Gazi
Üniversitesi Fen Bilimleri Enstitüsü, Ankara
[6] Çetiner, H., 2012. Görüntü İşleme Teknikleri Kullanarak Optik Karakter Tanımlama, Yüksek
Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta
165
Görüntü İşleme Metotlarıyla Yaprak Alanı Tayini ile…
ECJSE 2016 (1) 154-166
[7] Chaudhary, P., Godara, S., Cheeran, A., Chaudhari, A., 2012. Fast and Accurate Method for
Leaf Area Measurement International Journal of Computer Applications (0975 – 8887) Volume
49– No.9
[8] Ali, M., Al-Ani, A., Eamus, D., Tan, D., 2012. A New Image-Processing-Based Technique for
Measuring Leaf Dimensions, American-Eurasian J. Agric. & Environ. Sci., 12 (12): 1588-1594
[9] Lu, C., Ren, H., Zhang, Y., & Shen, Y. 2010. Leaf area measurement based on
image
processing. In Measuring Technology and Mechatronics Automation (ICMTMA), 2010
International Conference on IEEE Vol. 2, pp. 580-582
[10] Amoda, N., Jadhav, B., Naikwadi, S., 2014. Detection And Classifıcation Of Plant Diseases By
Image Processing, IJISET - International Journal of Innovative Science, Engineering &
Technology, Vol. 1 Issue 2
[11] Wikipedia, 2015. Erişim Tarihi: 23.07.2015. Görüntü İşleme.
https://tr.wikipedia.org/wiki/G%C3%B6r%C3%BCnt%C3%BC_i%C5%9Fleme.
[12] Şenel, F., 2013. Görüntü İşleme Ve Beş Eksenli Robot Kol İle Üretim Bandında Nesne
Denetimi, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü,
Isparta.
[13] Gonzalez, R., 2013. Digital Image Processing, Prentice Hall Press
[14] Kızılkaya, A., 2008. Görüntü Bölütleme, Elektrik-Elektronik Mühendisliği Bölümü,
Pamukkale
Üniversitesi,
55s,
Denizli.[15]
Taşdemir,
C.,
2013.
ARM,
http://coskuntasdemir.net/arm Erişim Tarihi: 23.07.2015
[16] Yamak, Y., 2013. Beaglebone İlk İncelemeler,
http://www.mcu-turkey.com/beaglebone-ilk-incelemeler/ Erişim Tarihi: 23.07.2015
[17] Yamak, Y., 2013. Beaglebone Black İlk İnceleme, http://www.mcu-turkey.com/beagleboneblack-ilk-inceleme/ Erişim Tarihi: 23.07.2015
166