Title: Examining the Difference Between Image Size, Background Color, Gray Picture and Color Picture in Leave Classification with Deep Learning

Abstract: In academic studies, there are many factors that change depending on the changes in the parameters of the process, such as the processing time, the required processing power, as well as the success. In the methods used for classification, recognition, and detection, the changes in the data received as input may affect the result, as well as the variables specific to the methods used. Convolutional neural networks, whose use is increasing day by day in processes such as classification and recognition using images, learn and classify the characteristics of data sets in different image sizes, including color, gray or black and white images, with filters and functions on the layers in the model. Many different parameters such as layers in the created model and filters and functions in these layers can be changed. As a result of these changes, the most suitable number of layers, the optimum values for the parameters and functions in these layers are determined for the data set used. There are studies focused on optimizing many different structures, such as reproducing the images in the used data set or determining the best by testing different parameters in the classification method. In this study, while the changes were made in the leaf images with a fixed background in the determined leaf data set, the model used in leaf classification with convolutional neural network was kept constant. It is aimed to examine the pictures used for 3 different image sizes, the gray picture or color picture difference and the changes caused by the background color.

Keywords: Segmentation; deep learning; deep convNets; image processing

Başlık: Derin Öğrenme İle Yaprak Sınıflandırmada Görüntü Boyutu, Arka Plan Rengi ve Gri Resim ile Renkli Resim Arasındaki Farkın İncelenmesi

Özet: Akademik çalışmalarda başarı kadar işlem süresi, gerekli işlem gücü gibi sürecin parametrelerindeki değişikliklere bağlı olarak değişen birçok faktör vardır. Sınıflandırma, tanıma ve tespit için kullanılan yöntemlerde girdi olarak alınan verilerdeki değişiklikler sonucu etkileyebileceği gibi kullanılan yöntemlere özgü değişkenler de etkileyebilir. Sınıflandırma ve tanıma gibi süreçlerde kullanımı gün geçtikçe artan evrişimli sinir ağları, renkli, gri veya siyah beyaz görüntüler dahil olmak üzere farklı görüntü boyutlarındaki veri setlerinin özelliklerini, katmanlardaki filtreler ve fonksiyonlarla öğrenir ve sınıflandırır. Oluşturulan modeldeki katmanlar, bu katmanlardaki filtreler ve filtrelerin boyutları gibi birçok farklı parametre değiştirilebilir. Bu değişiklikler sonucunda, kullanılan veri seti için en uygun katman sayısı, bu katmanlardaki parametreler ve fonksiyonlar için optimum değerler belirlenir. Kullanılan veri setindeki görüntülerin çoğaltılması veya sınıflandırma yönteminde farklı parametreleri test ederek en iyisinin belirlenerek birçok farklı yapıyı optimize etmeye odaklanan çalışmalar bulunmaktadır. Bu çalışmada belirlenen yaprak veri setinde sabit bir arka plana sahip yaprak görüntülerinde değişiklikler yapılırken, evrişimli sinir ağı ile yaprak sınıflandırmasında kullanılan model sabit tutulmuştur. 3 farklı görüntü boyutu için kullanılan resimlerin, gri resim veya renkli resim farkı ve arka plan renginin neden olduğu değişikliklerin incelenmesi amaçlanmaktadır.

Anahtar kelimeler: Segmentasyon; derin öğrenme; derin convNets; görüntü işleme

• Farabet C, Martini B, Akselrod P, LeCun Y. Culurciello E. Hardware accelerated convolutional neural networks for synthetic vision. In Proceedings of 2010 IEEE International Symposium on Circuits and Systems, 2010.
• Mikolajczyk A, Grochowski M. Data augmentation for improving deep learning in image classification problem. In 2018 International Interdisciplinary PhD Workshop (IIPhDW), 2018.
• Sinha T, Verma B, Haidar A. Optimization of convolutional neural network parameters for image classification. In IEEE Symposium Series on Computational Intelligence (SSCI), 2017.
• Yamasaki T, Honma T, Aizawa K. Efficient optimization of convolutional neural networks using particle swarm optimization. In IEEE Third International Conference on Multimedia Big Data, 2017.
• Pan S, Guan H, Chen Y, Yu Y, Goncalves W, Junior J, Li J. Land-cover classification of multispectral LiDAR data using CNN with optimized hyper-parameters. ISPRS Journal of Photogrammetry and Remote Sensing 2020; 166: 241-254.
• Tivive F, Bouzerdoum A. An eye feature detector based on convolutional neural network. In Proceedings of the Eighth International Symposium on Signal Processing and Its Applications, 2005.
• Silva P, Marcal A, Silva R. Evaluation of features for leaf discrimination. Springer Lecture Notes in Computer Science 2013; 7950: 197-204.
• Camgozlu Y, Kutlu Y. Analysis of pooling effect on CNN using leaf database. In International Conference on Artificial Intelligence towards Industry 4.0 (ICAII4.0), 2019, pp. 348-353.
• Camgozlu Y, Kutlu Y. Analysis of filter size effect in deep learning. Journal of Intelligent Systems with Applications 2022; 5(1): 1-10.