Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   10 ,  No.   3 ,  June   201 8 ,  pp.  1098 ~ 1105   IS S N:  25 02 - 4752 , DO I: 10 .11 591/ ijeecs . v 10 .i 3 .pp 1098 - 1105           1098       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Compre hensiv e Pin ea pp le Segm en tatio n  Tec hn iqu es  with  Intellig en t Co n voluti onal Neu ra l  Net work       Muhamm ad  Az mi  A hmed   Na w awi ,  F at i mah   Sh am  I s mail ,  H az li na   Selam at   Facul t y   of Electr ic a l  Eng ineeri ng ,   Univer si ti T ekn ologi   Ma lay sia ,   81310  Skudai, Johor,   Mal a y sia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Ja n   15 , 2 01 8   Re vised  Ma r   12 , 2 01 8   Accepte d  Ma r   2 8 , 201 8       Thi s  pape r  prop oses  an  int el li g e nt  segm ent at ion  te chn ique   for  pi nea ppl e  fruit   using  Convolut i onal   Neur al   N et work  (CNN ).  Casca d e  Obje ct   Det ector   (COD )  m et hod  is  used  to  det e ct   the   posit ion  of  the   pineappl e  from   the   ca ptur ed  image   b y   ret urn ing  the   bounding  b ox  aro und  the   det e ct in g   pine app le .   Im age   bac kg round  such  as  ground,  sk y   and   othe r   unwant e d   obje c ts  have   b ee n  removed  u sing  Hue  val u e ,   Adapti v e  Red   and  Blu e   Chrom at ic   Map   (ARB)  and  Norm al iz ed  Dif fer enc e  Ind ex  (ND I)  m et hods.   How eve r,   the   A RB  and  ND I  m e thods  are   stil l  pr oduci ng  m iscl as sifie d  err or   and  the   edge   is  not  reall y   sm ooth.   In  thi s  c ase   Te m pla t e  Matc h ing  Method   (TMM)  has  bee n  implemente d  f or  image  enha n ce m ent   proc ess.  Final l y ,   an   int ellige n t  CNN   is  dev el op ed  as  a  d ecision  m ake r  to   selec t  th e  best   segm e nta ti on   image  oupu t  from   ARB  and  ND I.   The   r esult s  obt a ine d  show   tha t  the   propose d  int el l ige nt  m ethod  has  succ ess fully   v eri fi ed  th e  fruit   from   the   b ac kground   with  high   a cc ura c y   as  compare d   t o  the c onv ent ion al   m et hod .   Ke yw or d s :   Ca scade  obj ect  d et ect or   Conv olu ti onal   neural  netw ork   Pineap ple se gm entat ion   Tem plate   m at c hing m et ho d     Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Fatim ah  Sh am  I sm ail,    Faculty  of Elec tric al  Engineer ing ,   Un i ver sit i Te knol og i M al ay sia ,   81310, S kudai,  Johor,  Mal ay sia .   Em a il : fatim ahs@ utm . m y       1.   INTROD U CTION   Pineap ple  is  a   tro pical   pla nt  from   Brom el i acea e  fam ily  and  one  of  the   m os t  con s umpti on  f ru it s   arou nd   t he  world  a fter  ban a na  a nd   ci tr us .   The  gove rn m ent  un der   Ea st  Coast  Eco nom ic s  Re gion  (E CER )   pro gr am   has  al locat ed  7400  hectares  la nd  f or   pin ea pp le   c ulti vation  in  orde r  to  inc reas e  the  pro du ct i on   of  pin ea pp le   [ 1].  Pineap ple  gro ws  unde r  s warm   c lim a te ,  op t i m u m   water  a nd  no  i nf est at i on.  Howe ver,  i t  ta kes  about   24  to  39   m on ths  to  yi el d  fruit   befor e   it   can  be  harvested .  More over ,  to  identif y  the  har ve sti ng  tim e   beco m e  a  qu it e  chall eng i ng.  This  is  becau se  the  qu al it y  and  sweetness  of   the  pin ea pple   are  de pende nt  on  th e   tim e  of   harvesti ng ,  if  t oo   ea rly   will   cause  pi neapple  to  bec om e  le ss  sweet ,  m eanw hile,  ha rv est   it   too   la te   will   cause  pin ea pple   to  beco m e  too   j uicy   [ 2] .  Ther e fore,  pin ea pp le   m us t  be  ha rv e ste d  be f or e  it   be com e  ov e rm at ur ed.   Currentl y,  m ac hin e  visi on   sys tem   can  pr ov i de  a  huge  ad va ntage  in  hel pin g  fa rm ers   to  identify   the  fruit s’  m at ur it y  an d  the  optim al   tim e  fo r  ha r vestin g.   Howe ver,  the  m ai n  pro blem   that  lim it s  the  capabi li t y  of   m achine v isi on  syst e m  is  i m a ge  recog niti on   process and  ob j ect  d et ect ion  e sp eci al ly  in  detect ing  the p ine app le   i m age.  Ther e  a re  m a ny  research es  ha ve  bee n  co nducte d  to   address  this  pro blem .  Moh am m ad  et   al .  [2 ]   us e d  an  im age  pr oc essing  te c hn i que  to  cat eg or i ze  N36  pi neapple.  By   us in g  bin a ry  el li ps e  m ask  tog et he r   with  m or phologica l  norm al iz ed  RGB  to  filt er   ou t  the  backgro und,   the  re searc h  s howe d  a  prom os ing  resu lt .   Howe ver,  the  us e d  of  bin a ry  el li ps e  m ask  has  it s  own  dr a wb ac k  w her e  t he  se gm ented  r egio n  did   no t  i nclu de   the  entire  reg i on   of  intere st.   The  m ini m um   s ymm et rica l  distance  m eth od  has  bee n  pro po se d  by  [3 ]   to  ov e rc om e  the  pro blem   m e nti on e d  i n  a bove.  The  a utho r  m a nag e d  t o  se gme nt  the  e ntire  r egio n  of   i ntere st  from   the b ac kgr ound. H ow e ve r,  t he  prop os ed  m eth od  only  work s u si ng sym m e tric al  sh ap e  pine app le   only .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Compre hensi ve Pi ne apple  Se gm e nta ti on  Te chn i qu e s   wi th  I ntell igent   . ..  ( Mu hamma d  Az mi A hm e d  N aw awi )   1099   Kam aru ddin  et   al .  [ 4]  ha ve  c ho s en  Otsu’s  Me thod  as  the ir  i m age  segm entat ion   t ec hn i qu e   be fore   app ly in g  m or phol og ic al   proc ess.  Otsu’s  Me thod  ass um ing   the  im age  con t ai ns   tw o  cl ass e s  of  pix el s   f ollow i ng   bi - m od al   histo gr am   (f ore ground  an d  backg r ound)  a nd  it   ca lc ulate s  the  opt i m u m   threshold  se par at in g  t he   two  cl asses.  Pr a bha   and  K um ar  [5 ]   al so   us e d  th re sh ol d  m et ho d  t o  se gm ent  the  ban a na  from   the  black  bac kgr ound.  Howe ver,  thre sh ol d  m et ho d  on ly   w orks  e ffi ci ently   if  the  i m age  con ta ins   two  c olors  on ly .  So ,  the  acc ur ac y   will   gr a du al ly   decr ease  i f  the   i m age  con ta in s  m or e  tha n  two  c olors.  T he n  the  us ed  of   g - r  gray   i m age  was   pro po se d by  [6]  to  rem ov e t he  b ac kgr ound fr om  the i m age.   Ba sed  on  the  li te ratur e  re view,   it   was  found  that  to  extra ct   fr uit  from   back gr ound  at   t he  plantat io n  le vel  is  ver y  diff ic ult  an d  a  fe w  facto rs  nee d  to  be  co ns ide r ed.   Fi rstly ,  the   al go rithm   m us t  be  rob us t  for  both   i m m at ur e  an d  m at ur e  fruit s.  Th us ,  m os t  of   t he  resea rc her s  on ly   f oc us in g  on   m at ur e  f ru it   because   the  in te ns ity   betwee n  m at ur e  fr uit  an d  bac kgr ound  are  easi ly   to  disti ng uish e d.   On   the   oth er  hand,   th e  intensit y  bet wee n  i m m at ur e  fruit   and   bac kgr ou nd   is  al m os t  t he  sam e.  Ther efore,  to  a pp l y  the  al go rith m   on   i m m a ture  fr uit   cannot  be  us e d  with ou t  m od ify in g  the  pa ram et ers.   Secon dly,  the  al go rithm   a lso  m us t  be  robu st  a gainst  natu ral  il lum inati on .  T hir dly,   the  f ru it   in  pl an ta ti on   m os tl y  cl us te r  to gether   or  occl us i on   with  oth e r  fruit s,  le aves  or   br a nc hes.   T her e f ore,  to  i m pr ove  the  rob us tness   of   the  al gorit hm ,  research e r s  hav e  c om bin ed  the   process   of  c olo r  segm entat ion   with  oth e r  te chn i qu e s  s uch  as  featu re  e xtr act ion ,  e dges  de te ct ion ,  blob - base d  segm entat ion  a nd o t her s  [7] - [ 10 ] .       2.   RESEA R CH MET HO D   Im age  segm ent at ion   is  a  ver y  i m po rtant  pr oc ess  to  rem ov e  the  un wan te d  ba ckgr ound  fro m   the  m ai n   obj ect   in one  i m age.  I n  this  c ase  is  pin ea pple   fruit ,  in o r der  to  ens ure  that t he  outp ut  im a ge  ha s  hi gh  ac cur acy .   The  process  st arts  by  the  data   acqu isi ti on,  al l  the  i m ages  go ing   to   Ca scade   Object  Detect or   (CO D)   t o  c onfirm   the  fruit ’s  l oca ti on   be f or e  going   t o  H ue  Val ue  Se gm entat i on   ( HV S )  proc ess.  T he  ove ra ll   pr oce dure  for  this  process  is  s ho wn   i n  Fi gure  1.   T he refor e ,  to  m ake  su re  t he  un wan te d  ba ckgr ound  is  s uccess fu ll y  re m ov ed  from   the  i m age,  this  wo r k  ha s  dev el ope d  a  Con voluti onal   Neu ral  Net work   (C NN)  as  a  searching  en gi ne  to   evaluate  the  re su lt s  from   Ad aptive  Re d  an d  Bl ue  Chrom ati c  Ma p  (A RB )  and   Norm al iz e d  Dif fer e nce  I nd e x  (NDI).           Figure  1.  The   ov e rall  pro c ess       2.1. D ata Acq uisi tion   Data  aqu isi ti on   fo r  im age  has  been   ca ptured  durin g  day  tim e  with  var io us   il lu m inati on   con diti ons  at   pin ea pp le   plant at ion  at Pe ka n   Nan a s,  P onti an , J oh or. T he  ca ptured  im ages  hav e  b ee n proc essed  a nd f i nally  all  these  datas  are   us ed  to  de velo p  an  al gorit hm  fo r  pin ea pple   i m age  segm ent at ion   te ch niqu e.  In   this  wor k,  MD2   ty pe  pin ea pple   is  sel ect ed  ba sed  on   t he  s uggestio n  f ro m   Ma la ysi a  Pine app le   Ind us try   Boar d  (MP IB ),   wh ic h  on e  of  the  m os t  popula r  an d  highest  dem and   i n  Ma la ysi a.  Fig ur e  2  s hows  t he  sam ple  i m ages  us ed   in  this  pro j ect .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  10 , N o.   3 ,  June   201 8   :   1089   –   1105   1100                   Figure  2. Sam ple i m ages w it h diff e re nt stage   of m at ur it y and   backg rou nd       2.2. Alg orit h m   Figure  3  sho w s  the  flow c har t   of   the  pro pose d  al gorithm   fo r  segm entat ion   pr oce ss  an d  de te ct ing   the  pin ea pp le   obje ct .  Since  the   i m age  us ed  in  this  pro j ect   consi sts  of   pin ea pp le   a nd   backg rou nd,  i m age  segm entat ion  pro ces s is im ple m ented  to  rem ov e  an y  unwa nt ed  bac kgr ound  from  the f oc us  im age.            Figure  3. Flo w char t  for  t he pr opos e d  al gorithm   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Compre hensi ve Pi ne apple  Se gm e nta ti on  Te chn i qu e s   wi th  I ntell igent   . ..  ( Mu hamma d  Az mi A hm e d  N aw awi )   1101   The  pro posed  al gorithm   sta rts  with  data  acq uisit ion ,  by  ac qu i rin g  i m age  from   the  ca m e ra.  Since  the  siz e  of   t he  cap ture d  im age  is   too   la r ge,   t his   pro j ect   has  c onduct ed  a  f e w  te sts  to  fi nd  ou t  s uitable   s cal e  to   resize  the  dim e ns io n  of  the  i m age.  By   reducing   the  dim ensi on   of   the  im age,  the  com pu ta ti on al   tim e  has   bee n  reduce d.   A fter   that,  the  pro pose d  al gorithm   beg i ns   to  rem ov e  t he  bac kgr ound  in  the  im age  by  doin g  i m age   segm en ta ti on .  Firstl y,  Ca scad e  O bj ect   Detec tor  (CO D)  is  im ple m ented  to   detect   the  l oca ti on   of   t he  pine app le   in  the  i m age.  By   retur ni ng   t he  boun ding  box  a rou nd   the   detect ing   pi ne app le ,  t he  pr opos e d  al gorit hm   wil l   rem ov e  al l  i m age  ( pix el )  ou tsi de  this  boundi ng   box .  By   do i ng   t his,  th e  al gorithm   ca n  f ur t her   redu ce  the  com pu ta ti on al   tim e and  inc re asi ng the acc ur acy  f or the  n e xt  p r ocess .   Seco nd ly ,  t he  Hu e   in  Hu e ,  Saturati on  a nd   Value  ( HSV)   colo r  s pace  i s  extracte d  a nd  by  set ti ng   thres ho l d  valu e  ob ta ine d  fro m   the  exp eri m ental   te st   to  detect   gr ou nd  an d  sk y.  Si nce  the  furthe r  i m age   segm entat ion   is  quit e  dif ficul t,  it   is  necessa r y  to  rem ov e  a ny   backg rou nd  that  is  easi ly   to   disti nguis hed  from   the  f ru it .  The   Hu e   val ue  for  gro und  (ora nge)  a nd  sk y  (wh it e)  are  easi ly   diff e re ntia te d  f ro m   oth er   col ors.  T he   thres ho l d  valu e  has  bee n  sel e ct ed  ba sed   on  t hese  pro per ti es .  A ny  value  le ss  tha n  th res hold  val ue  is  rem ov e d  (p i xel  intensit y  beco m es  0) ,  m eanw hile,  the  value  gr eat er  or   eq ual  th an  thres hold  va lue  is  m a intai ned.  In  i m age  segm ent at ion ,  th ere  a re   of te n  pro blem   wh e re  s om e  i m ages  only   w ork  well   us in g  certai n  m et ho d  an d  oth e r  im ages  usi ng  di ff e ren t  m et ho d.  T her e fore,   if  t he  sam e  im age  is  us e d  from   diff e re nt  m et ho d,  the   interest   obj ect   ca nnot  be  se gm ented  com plete ly   fr om   the  bac kgr ound  a nd  vice  ve rse.   Th us ,   thi s  will   be   res ulti ng   i n  low  acc ur acy   a lgorit hm   if  the  m ul ti ple  i m age s  are  bei ng  u se d.   T her e f or e,  t o  ove rco m e  this  pro blem ,  Ad aptive   Re d  an d  Bl ue  Chrom atic  Map   (A RB )  an d  Norm al iz ed  Di ff e ren ce  I ndex   (N D I)   at   the  sam e   tim e  hav e  bee n  i m p lem ented.     The  thr esh old   value  obta ine d  fr om   the  experim ental  te st  is  us ed  in  ARB  to  segm ent  the  po te ntial   pin ea pp le   fruit   from   the  le aves.  Sim i la r  to  the  H VS ,  a ny   ARB  val ue  wh ic h  le ss  tha n  th reshold   va lue  is   rem ov ed  ( pix el   intensit y  becom es  0)  f ro m   the  im age.  This  value   is  c on si de red  as  le a ves.  O n  t he  oth e r  hand ,   ARB  valu e  f or  fruit   is  gr eat e r   or   e qual   tha n  thres ho l d  valu e.  A fter  im ple m ent  ARB,  the   resu lt   sti ll   sh ows  th e   m isc la ssifie d  pix el s  and   t he  e dg e  of   t he  det ect ing   pi neapp le   is  no t  sm oo th.  This  is  be c ause  ARB  value  f or  backg rou nd   es pecial ly   fo r  da rk e r  le aves  ha ving  al m os t  th e  sa m e  value  with  the  f ru it .  Ther e f or e,  t o  r e m ov e   m isc la ssifie d  error   a nd  sm oo th  the  e dg e  of  the  detect in g  pin ea pp le ,  thi s  pro j ect   has  pro po se d  the  us e  of   Tem plate   Mat chin g  Me th od   (TMM )  f or  f urt her   segm entat ion   process.  The  m ajo r  a xi s  an d  m ino r  a xis  ar e   cal culat ed  base d  on the r es ulti ng   resu lt  fro m   the A RB  to  fin d  the r i gh t t em plate , which  th en  is use d  to r e m ov e   any m isc la ssifi ed pixels a nd s m oo th the e dg e of the  d et ect ing pi neapple   [ 7].   The  im ple m en ta ti on   of  AR B  and   NDI  will   produce  two  se gm entation s  im age,  there fore,  t he   Conv olu ti onal   Neural  Netw ork  (CN N)  is  im plem ented  in  t his  al gorit hm   as  decisi on  m a ker.  T he  pur pose  of   i m ple m entat io n  of   C N N  is  to   sel ect   the  best   segm entat ion   i m ag e  from   ARB  and  N DI.  Firstl y,  the  C N N  will   determ ine  the  segm entat ion   im age  pro du ce d  f ro m   ARB  and   N DI   w heth er  the  obj ect   is   a  pin ea pple   or   no t.   I f   the  se gm entat i on  im age  is  a  pin ea pp le ,   the   al gorithm   will   acce pt  the   seg m entat ion   im a ge.   Me a nwhile ,  if  t he   seg m entat ion   im age  is  no t  a  pin eap ple,  the  al gorithm   will  rej ect   it .  Ho we ve r,   if  both  se gme ntati on   im ages  are  cl assifi ed  as   a  pin ea pp le ,   the   CNN   will   go  t o  the   sec ond  ste p  by  usi ng  th e  weig ht  pro duced  wh e n  cl ass ify   the   i m age to  d et er m ine the h ig he st weig ht b e tw een A RB  a nd   NDI.  Fi nally , th e syst em  w il l  acce pt only  the  o ut pu t   segm entat ion  im age w it h  t he hig hest  weig ht.       3.   RESU LT S   A ND AN ALYSIS   This  sect io n  presents  the   res ul t  and   t he  a naly sis  of   t he  im age  acc ur acy   f ro m   var io us   se gm entat ion   sta ges  s uch  as  Ca scade  Objec t  Detect or   (CO D)   t o  detect   lo cat ion   of   t he  pi neapple,  Hu e   Value  Segm entat ion   (HVS )  to  rem ov e  groun d  a nd  sk y,  Ad a ptive  Re d  an d  Bl ue C hrom atic Ma p  ( ARB)  and  N or m al iz ed  Difference   Inde x  ( NDI)   a r e  for  le aves  re m ov al ,  Te m plate   Ma tc hin g  M et hod  ( TMM )  for  se g m entat i on   e nhan cem e nt  an d  edg e   sm oo thin g  an d  C onvolu ti on al   Ne ur al   Netw ork  (C N N)   ha ve  be en  us e d  as  decisi on   m aker   t o  se le ct   the   best se gm entation  im age.     3.1. C as ca de  Obj ec t Detec t or (C OD)   Firstl y,  a  Ca sc ade  Object  Det ect or   ( CO D)  ha s  bee n  sel ect e d  to   detect   t he   locat io n  of   t he   pin ea pple   from   an  captured  im age.  Re fer   to  Fig ure  4,   t he  CO D  ret urn s  the  boun ding   box  ar ound  th e  detect ing  p in eapp le   and   rem ov e  al l  pix el s  outsi de   this  boundi ng   box.   By   im ple m ented  CO D,   pin ea pp le   ca n  be  locat ed  a ny wh e re   in  the   im age  an d  this   m et ho d  has   increa se d  t he  acc ur acy   as  s how n  i n  Figures  4(a)  a nd   4(b)   beca use   the  backg rou nd of  the sele ct ed  im age  has bee n d ecreased .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  10 , N o.   3 ,  June   201 8   :   1089   –   1105   1102                 (a)     (b)   Figure  4. Re su l t afte r  a pp ly in g C OD (le ft = or i gin al  im age,  ri gh t = resu lt  a fter  COD )       3.2.   Hue  V alu e Segm ent ati on ( HVS)   The  seco nd  st ep  is  t he  sel ect ion   of  Hu e   pa ram et er.  The  acc ur acy   will   increase d   due  t o  t he   backg rou nd  in   the  im age  has   bee n  decr ea se d.   Re fer  to  Fig ur e   5,  the   gro und  ha s  been  suc cessf ully   rem ov e d  from   the  i m ag e  an d  ot her   obje ct s  are  m ai nta ined.  Finall y,  it   has  been   f ound   t hat  the  outpu t  im age  sti ll   can   be   consi der e d  a s a ccepta ble,  ev e n  th ough a  f e w  interest  pix el s  hav e  b ee n rem ov e d.                     (a)     (b)   Figure  5. Re su l t afte r  a pp ly in g H VS   (left = res ult after C O D,   rig ht = res ult aft er  HVS)       3.3. Ad aptive   Red an d Blue  Ch r omatic  M ap   (ARB)  and  Norm aliz ed D iffere nce I n dex (NDI )   The  t hird  ste p  is  to  rem ov e  le aves  from   t he  im age  as  s how n  in   Fig ur e  6  us i ng  AR B  an d  N D I   m et ho ds.  It  ca n  be   see n  that,   the  ARB  a nd  NDI  hav e   suc cessf ully   rem ov e d  t he  le ave s  from   the  i m age  a s   sh ow n  in   Fig ures  6(b)   a nd  6(d )  re sp ect ivel y,  w hile  m a intai ned   t he  f r uit  area  a nd  sh a pe .  I n  a dd it io n,  it   has  been  f ound  t ha t  the  ou t pu t  im ages  i n  Fi gures   6(b )  a nd  6(d)  sti ll   can  be   co nsi der e d  as   acce ptable,   eve n  t houg h  a few interest   pi xels h a ve bee n  rem ov e d.   H oweve r,   w hen usi ng  im age in   Figure  6( a ),  t he  A RB   has  c onsidere d  al l  pix el s  in  t he   i m age  as  bac kgr ound.  T his  is  because   the   ARB’s  value   f or   t he  al l  pi xels  in  the   im age  is  le ss  than  t hr es hold  values . Ho we ve r  f r om  N DI  m et hod,  t he resul t i s m uch  b et te r  as s how n  i n  F igure  6( c ).         Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Compre hensi ve Pi ne apple  Se gm e nta ti on  Te chn i qu e s   wi th  I ntell igent   . ..  ( Mu hamma d  Az mi A hm e d  N aw awi )   1103                   (a)     (b)                   (c)     (d)   Figure  6. (a ),   ( b) Result  afte r a pp ly in g ARB .  ( c) , (d )  Re s ult after   a pp ly in g NDI       3.4.  Te m pla te  Matchin g Met ho d  ( T MM)   The  res ult  fr om   ARB  and   ND I  se gm entat i on   m et ho ds   ha ve  a  few   m isc l assifi ed  pi xels  and   the  e dge   of   the  detect in g  pin ea pple   is  no t  sm oo th.  T he refor e ,  this  proj ect   ap plies  add it inal  i m age  enh a ncem ent  pr oces s   for  furthe r  se gm entat ion   us in g  Tem plate   Ma tc hin g  Me th od.  The   di ff e rent   in  s hap e   a nd  siz e  of  te m plate  ha ve   been  c on st ru ct ed  i n  a dv a nce d  an d  st or e   in   th e  data base.   Th e  rig ht  te m plate  is  sel ect ed   ba sed  on  the   m ajo r   axi s   and   m ino r   axis .  The n,   t he  pine app le   s h a pe  is   const r ucted  to   pro du ce  a  sm oo t h  e dg e  a nd  al l  the  pix el s  outsi de   this sha pe  a re e lim inate d  as  show n  i n  Fi gure  7.                     (a)     (b)   Figure  7. Re su l t afte r  a pp ly in g t e m plate   m at c hing  (a)   Im m a t ur e  p i neapple  ( b) Mat ur e   pin ea pp le       3.5 .   C onvo lu ti onal Ne ural  N etwork  (CN N)   The  im ple m ent at ion s  of  ARB   and   NDI  ha ve   produce d  tw o  segm entat ion   im ages.  Re fer   t o  Fig ur e  8,  Conv olu ti onal   Neural  Netw ork  (CN N)  ha s  s uccess fu ll y  sel ect ed  the   be st  segm entat ion   i m age  bet ween  ARB   and   N DI .  T he   i m ple m entat i on   of   C NN   i n  the  al gorith m   has  increas ed  the  ef fici ency  an d  accu r acy   by  al lowing th e al gorithm  to  ha ve  m any  m et ho ds  t o detec t pin eapp le .       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vol .  10 , N o.   3 ,  June   201 8   :   1089   –   1105   1104           (a)     (b)     (c)   Figure  8. Re su l t afte r  a pp ly in g C NN (a )  Re s ul t fr om  A RB  (b )  Re su lt  f r om  N DI   (c )  Re s ult from  CNN         4.   CONCL US I O N   The  im age  segm entat ion   an d  detect ion   al gorithm s  hav e   bee n  prese nte d  to  detect   pi neapple  f r uit  base d  on  col or  m at ur it y  ind ic es.  The  resu lt s   found  s how  t he  us e d  of   Ca scade  O bject   Detect or   (CO D)   was   ver y  ef fecti ve  and   has  good  po te ntial   in  detect ing   the  locat ion   of  the  pi neapple.  T he  use   of   H ue  val ue   with  Ad a ptive  Re d  and  Bl ue  C hro m at ic   Ma p  (AR B)  an d  Norm al iz ed  Dif fer e nc e  Inde x  (NDI)  we re  ver y  e ffec ti ve   for  bac kgr ound  rem ov al   pro cess  from   the  fo c us   im age.  The  im ple m en ta ti on   of  Tem plate   Ma tc h ing   Me thod   (TMM )  has   im pr ov e d  the   accuracy  of  th e  al gorithm   by   detect ing  th e  sh a pe   of  t he   pi neapple  a nd  the n  el i m inate d  othe r  pix el s  with   a  sm oo th  e dge.  Furthe rm or e,  t he  im ple m entat ion   of   Conv olu ti onal   Ne ur a l   Netw ork  (C N N)   as  decisi on  m aker   has  increase d  t he  e ff ic ie ncy  of  th e  al go rithm   and   at   the  sam e  tim e   increase d  the  a ccur acy   in  se gm enting  the  f r uit  fr om   the  back gr ound.  F ur t her   re searc h  ne eds  to  be  done  us in g  intel li gen t o ptim iz at ion  techni qu e  f or   opti m al   m at ur it y i den ti ficat ion .       ACKN OWLE DGE MENTS   The  a ut hors  would  li ke  to   than k  f or   th e  su pp or t  gi ve n  to  this  pr oject   by  Mi nistry  of   Higher   Ed ucati on ( M OH E )  a nd  Un i ver sit i Te knologi M al ay sia  ( U TM),  unde r G UP   gr a nt:  QJ1300 00.25 23.13 H57.       REFERE NCE S   [1]   J.  I.   As nor,  et  a l . ,   “ Pinea ppl e  M at urity   Re cogni t ion  Us ing  RGB  Ext ra ct ion , ”   Inter nati onal  Journ al  of  El e ct ri cal ,   Computer,   En erge tic  and   Comm unic ati on   Eng in ee ring,   vol .   7 ,   p p.   597 - 600 ,   201 3.   [2]   S.  Moham m ad,   et   al . ,   “ Cla ss ific at ion  of  Fresh  N 36  Pinea ppl e  Cr op  Us ing  Im age   Proce s sing  Te ch nique , ”  Adv a nced   Mate rals R ese arch,   vo l. 418 - 420,   pp.   1739 - 1743,   2011.   [3]   N.  C.   Za n ,   et   al . ,   “ROI  Segm ent ati on   Us ing  Mini mum   Symmet rical  Edg es  Distance :  A  St udy  on  Josapin e   Pi neapple, ”   in  I nte rna ti ona l  Con fer ence  on  Artif i ci a l  Intelli g ence  in  Com pute r  Sci enc e  and  ICT .   A ICS  2013.   2013,   pp.   130 - 137 .   [4]   S.  Kam aru ddin,   et   al . ,   “ Canne d  P ine app le   Gradi n g  Us ing  Pixel s Colour  Ext r ac t ion,”  in  Int ernati ona l  Confe ren ce   on   Arti ficial Int el l ig enc e   in   Compute r Sc ie n ce and  IC T.  AICS  2013 .   2 013,   pp .   217 - 22 6.   [5]   D.  S.  Prabh a  an d  J.  S.  Kum ar,   “ As sessment  of  Bana na  Frui t  Mat urity   B y   Im age   Proce ss ing  Te ch nique , ”  Journal  o f   Food,   S cienc e   a nd  Technol og y,  vol.   52 ,   pp .   1316 - 1327,   2015 .   [6]   X.  Li m ing  and  Z.   Yanc h ao,   “ Autom at ed  Straw ber r y   Gr adi ng  Sy stem  Based  on  Im age   Proce ss ing, ”  Comput ers  and   El e ct ronics  in A gricul ture ,   vol .   7 1S,  pp.   S32 - S39,  2010.   [7]   M.  Azm i  and   F.  S.  Ism ai l,  “ Sim u la ti on   and   Segm ent a ti on  Techni q ues  For  Crop  M at urity   Ide n ti fi cation  of   Pinea pp l e   Fruit” .   C o m m u n i c a t i o n s   i n   C o m p u t e r   a n d   I n f o r m a t i o n   S c i e n c e ,   M o d e l i n g   - D e s i g n   a n d   S i m u l a t i o n   o f   S y s t e m s ,   v o l .   7 5 1 ,   p p .   3 - 1 1 ,   2 0 1 7 .     [8]   P.  Hui,   et   al . ,   “Edge  Detect ion  of  Gr owing  Cit rus   Based  on  Sel f - adapti v e  Canny   Operator,”   in  2011  Inte rna t ional  Confer ence  on  Com pute r  Distribut ed  Control   a nd  Inte ll ig ent   E nvironmenta l  Monitori ng .   2011  IE EE,  2011,   pp.   342 - 345.   [9]   K.  Yam amoto,   e t  al.,  “ On  Plant  Dete c ti on  of   Int ac t  Tomato  Frui ts  Us ing  Im age   Anal y sis  And  M ac hin e  L ea rn ing  Methods, ”  Op en   Acce ss   Sensor,   vol.   14 ,   pp .   1219 1 - 12206,   2014 .   [10]   C.   Zha o ,   e t  al . ,   “ Immature   Gree n  Cit rus  Detect i on  Based  on  Co lou r  Feat ur e  An d  Sum   of  Abs ol ute   Tr ansform ed  Diffe ren c e  (SA T D)  Us ing  Colour   Im age s  in   the  C it rus  Grove,”  Co mputers  and  Ele ct ronics  in  Agri c ult ure,   vol .   124 ,   pp.   243 - 253 ,   20 16.         Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Compre hensi ve Pi ne apple  Se gm e nta ti on  Te chn i qu e s   wi th  I ntell igent   . ..  ( Mu hamma d  Az mi A hm e d  N aw awi )   1105   BIOGR AP HI ES OF  A UTH ORS       Muham m ad  Azm i  Ahm ed  Nawawi  re ce iv ed  his   BEng. ( Hons . )  i n  El e ct r ic a l  (Me cha tron ic s)  from  Univer siti   T ekn ologi   Malay si a  (UTM)  in  2015.   He  is  cur ren t l y   MP hil .   stud en t  at   Univer si ti   Te knologi   Ma lay sia  (UTM).  H is  cur ren t  rese a rch   int er ests  inc lude   vision  s y stem,  image  proc essing  and   a rti fi ci a l  in te l li g e nce .           Fati m ah  Sham   Ism ai l  has  m ore   t han  20  y e ars  ex per ie n ce   in  a rea  of  Control,  Instr um ent at ion  and   Optimiza ti o n  E ngine er ing  sinc e   joi ning   Univer siti   T eknol og i  Malay s ia  (UTM)  in  1992 .   Sh e   rec e ive d  h er  B Sc. (Hons . )  (198 9)  in  Ph y si c  fr om   Univer siti   Keba ngsa an  Ma lay s ia,  Master s   Degre e  (1992)  a nd  Ph.D.  (2011)  from   UTM.  Her  m ai n  rese arc h  int er ests  inc lude  opti m iz at ion  using  AI  te chni ques,   Proce ss   C ontrol   and  Instrum ent at ion  desi gn.   Curre ntly ,   s he  is  conduc ti ng   rese arc h es  on  deve lopment  o pti m iz ation  al g orit hm   fo r  m u lt i - obj ective   pr oble m s,  pla nt  opti m iz ation  d esign,   and  f aul t   de t ec t ion  and   di agn osis.               Dr.  Haz li na   Sel amat  is  an  As sociate   Prof essor  and  a  Profess i onal   Engi ne er  a nd  have  be en  le c turi ng  at   th e  El e ct ri ca l  Engi n ee ring  Facu lty ,   Univer siti   T ekn ologi   Malay si a  (UTM)  since   the   y e ar  2000 .   She   gra dua te d  fro m   Im per ia l  Col le ge  o f  Sci enc e ,   T ec hnolog y   a nd  Medic in e ,   Univer sit y   of  L ondon  in  El ec tr i ca l  and  Elec tron ic s  Engi neering  in  1998.   Dr.  Haz li n a  Sela m at   obta in ed  her   M Eng.   and   Ph.D.  in  Elec tr ical  En gine er ing   from   Univer siti   Te kn ologi   Mal a y s ia  (UTM)  in  2000  and  2007  respe ctively .   Sin ce   201 4,   she  is  the   Dire ct or  of  the   C ent r e  for  Artifi c ia l   Inte lligen ce   and   Roboti cs  (CAIRO )  UTM.  Her  princ ip al   ar ea s  of  int er est  are   a dapt iv e  cont ro l,  onli ne  s y s te m   id ent ifica ti on  and  appl i ca t ion  of  c ontrol   to  th e  hig h - orde r  and  nonl ine ar  s y s te m s.  Her  cur ren t  res ea rch   works   are  in  the  ar ea   of   el e ct ron ic   control  unit   d esign  for  aut om oti ve   appl i ca t ions,  cr owd  m odel ing,   cont rol   and  sim ula ti on   for  saf e r  buil ding   desig n  and  ene rg y   opti m i za t ion.       Evaluation Warning : The document was created with Spire.PDF for Python.