Bu tez çalışması kapsamında sivri biberleri eğrilik miktarına göre otomatik olarak
sınıflandıran bir uygulama geliştirilmiştir. Kalite sınıflandırması geleneksek olarak el ile
doku, boyut ve şekil özelliklerine göre yapılan sivri biberlerin, eğrilik miktarı uluslararası
piyasada bir kalite kriteridir ve eğriliğin artması bir bozukluk olarak kabul edilmektedir.
Çalışma sırasında biberin sapının eğrilikle ilgili yanıltıcı bir etkisi olduğu gözlenmiştir.
Biber imgelerinde sap kısmı ve gövdeyi birbirinden ayıran özgün bir yaklaşım
geliştirilmiştir. Sivri biberlerin medyal eksenleri çıkartılmış ve eksen çizgisi kullanılarak
biberin eğrilik miktarının hesaplanması aşamasında da özgün bir yöntem geliştirilmiştir.
Sivri biberlerin eğrilik düzeylerine göre sınıflandırılması için geometrik öznitelikler
çıkartılmıştır. Ayrıca tüm biber konturlarının oluşturduğu uzayı temsil eden ana bileşenler,
Ana Bileşen Analizi (ABA) yöntemi ile çıkartılmıştır. Her biber için bu özvektörler
üzerindeki izdüşümlerinden oluşan bir öznitelik vektörü tanımlanmıştır. Geometrik ve
ABA’ya dayalı öznitelikleri birlikte ve ayrı ayrı içeren vektörler oluşturulmuştur. Sivri
biber imgeleri bu vektörler kullanılarak k-En Yakın Komşu (k-EYK) yöntemi, çoklu sınıf
Destek Vektör Makinası (DVM) ve AdaBoost algoritmaları ile sınıflandırılmıştır. AdaBoost
ile hem ikili hem de çoklu sınıf için sınıflandırma yapılmıştır
The aim of this thesis is to develop a method that classifies green peppers based on
their flexure. Quality sorting of green peppers is traditionally being done by hand with
respect to their texture, size, and shape properties. Flexure is also a quality criterion; high
flexure in green pepper is considered as a defect in international markets. The stem of the
pepper has a misleading effect on computing the flexure from pepper images. In this thesis,
a novel approach is developed to segment the stem of the green pepper. Then the medial
axis of the flesh region is extracted, and a novel method is used to determine the flexure. In
order to classify green peppers based on flexure, geometric features are extracted from
pepper images. Also, Principal Component Analysis (PCA) is used to extract principal
components representing the space of pepper contours. A feature vector is constructed by
projecting the contour onto the eigenvectors obtained by PCA. K-Nearest Neighbor (k-NN),
Support Vector Machine (SVM) and AdaBoost methods are used to classify geometric and
PCA-based feature vectors. Both binary and multi-class classifications are performed with
AdaBoost.
