Endüstriyel Üretim Tesislerinde Yumurtaların Görsel Analizi Ve Sınıflandırılması İçin Raspberry Pi Tabanlı Gerçek Zamanlı Bir Uygulama

Gelişen teknoloji ve artan talep nedeniyle yumurta üretim tesisleri büyümüş ve üretim miktarları artmış ve yumurta kalitesi ön plana çıkmıştır. Kusurlu (kirli-kırık) yumurtaların belirlenip ayrılması ve kalan yumurtaların belirli standartlarda sınıflandırılıp paketlenmesi işlemine yumurta tasnif işlemi denilmektedir. Görüntü işleme, son zamanlarda birçok alanda kullanımı hızla artan bir teknolojidir. Giderek yaygınlaşan bu teknoloji endüstriyel uygulamalarda kullanılarak üretim güvenilirliğini ve verimi artırılabilmektedir. Yumurta tasnif işleminde görüntü işleme tekniği kullanılarak, insan gücü ile yapılan sınıflandırma işlemlerinde yapılan hataları minimize etmek, işçi maliyetlerini ve insan gücüne olan bağlılığı azaltmak hedeflenmektedir. Bu çalışmada yumurtaların hem kusur tespiti hem de hacimsel olarak sınıflandırılması görüntü işleme yöntemleriyle yapılmıştır. Bu yöntemlerden bazıları, kameradan alınan görüntünün kırpılması, arka plan bastırma işlemi ve çeşitli filtreler yardımıyla alınan görüntüde ki gürültülerin yok edilmesi şeklindedir. Günümüzde tek kart bilgisayarların (single board computer) yaygınlaşmasıyla görüntü işleme uygulamaları tek kart bilgisayarlar üzerinden gerçekleştirilebilir hale gelmiştir. Gerçekleştirilen bu çalışmada kullanılan sistem, kameradan alınan görüntünün Raspberry Pi kartının üzerinde çalıştırılan görüntü işleme algoritmaları ile yumurta tasnif işleminin tamamlanması şeklindedir. Bu sistem ile bilgisayar tabanlı klasik sistemlere göre maliyeti daha az ve endüstriyel olarak üretim sistemlerine uygulanabilir bir çözüm önerilmiştir. Yapılan çalışmada 100 adet yumurta görüntüsü (otuz adet kirli yumurta ve yetmiş adet temiz yumurta) kullanılmıştır. Söz konusu yumurtaların tamamının doğru bir şekilde kirli ve temiz olarak ayırt edildiği gözlenmiştir. Çalışmanın ikinci aşamasında, 70 adet yumurtanın hacimsel sınıflandırılması yapılmış olup gerçek ağırlık ölçümleriyle karşılaştırıldığında 66 adet yumurtanın büyüklük sınıfına (S, M, L, XL) uygun olarak tasnif edildiği 4 adet yumurtanın hatalı ölçüldüğü tespit edilmiştir. Buna göre % 94,29 başarı elde edilmiştir. Bu çalışma kapalı bir ortamda sabit ışık kaynağı kullanılarak yapılmış olup sistemin başarı oranı ışık kaynağına ve bant hızına bağlı olarak değişmektedir.  

Due to developing technology and increasing demand, egg production facilities have grown, production quantities have increased, and egg quality has become paramount. The process of identifying and separating defective (dirty-broken) eggs and classifying and packaging the remaining eggs according to certain standards is called egg sorting. Image processing is a technology whose use has rapidly increased in many fields recently. This increasingly widespread technology can be used in industrial applications to increase production reliability and efficiency. By using image processing techniques in egg sorting, the aim is to minimize errors made in classification processes performed by human labor, reduce labor costs, and decrease reliance on human labor. In this study, both defect detection and volumetric classification of eggs were performed using image processing methods. Some of these methods include cropping the image taken from the camera, background suppression, and eliminating noise in the image using various filters. Today, with the widespread use of single-board computers, image processing applications can be performed on single-board computers. The system used in this study is to complete the egg sorting process by running image processing algorithms on a Raspberry Pi board from the image taken from the camera. With this system, a solution that is less expensive than computer-based classical systems and applicable to industrial production systems has been proposed. In the study, 100 egg images (thirty dirty eggs and seventy clean eggs) were used. It was observed that all of the eggs were correctly distinguished as dirty and clean. In the second stage of the study, volumetric classification of 70 eggs was performed, and when compared with actual weight measurements, it was determined that 66 eggs were classified according to size class (S, M, L, XL) and 4 eggs were incorrectly measured. Accordingly, a success rate of 94.29% was achieved. This study was conducted in a closed environment using a fixed light source, and the success rate of the system varies depending on the light source and the tape speed.