AUTOMATIC SPIRULINA DETECTION USING IMAGE PROCESSING TECHNIQUES
Date
2022-02-14
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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.
Description
GÖRÜNTÜ İŞLEME YÖNTEMLERİ KULLANARAK
OTOMATİK SPIRULİNA TESPİTİ
ÖZ: 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.
ÖZ: 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.
Keywords
engineering systems