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