Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli
Yıl: 2021 Cilt: 36 Sayı: 1 Sayfa Aralığı: 347 - 357 Metin Dili: Türkçe İndeks Tarihi: 09-11-2022
Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli
Öz: Mermer işletmelerinin temel politikası; sürdürülebilir ve yüksek kaliteli ürünleri standartlaşmış bir yöntemle ortaya koymaktır. Farklı türdeki mermerlerin tanımlanması ve sınıflandırılması, genellikle bu alandaki uzman kişiler tarafından manuel olarak gerçekleştirilen kritik bir iştir. Bununla birlikte; mermer kalitesi sınıflandırılmasının insanlar tarafından ve manuel şekilde yapılması oldukça zaman alıcı, hatalara fazlasıyla açık, aynı zamanda da güvenilir olmayan ve öznel bir süreçtir. Bu süreci daha nesnel ve güvenilir, çok daha hızlı ve çok daha az insan müdahalesi gerektirecek şekilde otomatik hale dönüştüren bilgi teknolojilerine dayalı yaklaşımlar ve yöntemlere büyük ölçüde gereksinim vardır. Bu çalışmada; levha mermer resimlerini işleyerek altı farklı kalite tipine göre sınıflandıran bir derin öğrenme modeli geliştirilmiştir. Veri artırımı amacıyla, orijinal mermer resimlerine özgü bir görüntü ön işleme süreci gerçekleştirilmiş ve özel bir evrişimsel sinir ağı mimarisi tasarlanıp uyarlanmıştır. Mermer görselleri üzerinde bu çalışmada uygulanan özgün veri artırımı yaklaşımının, evrişimsel sinir ağı modelinin sınıflandırma başarısı ve doğruluk değerlerini çok önemli düzeyde arttırdığı gözlenmiştir. Evrişimsel sinir ağı modeli ile alternatif yapay öğrenme algoritmalarının tamamından çok daha başarılı sonuçlar elde edildiği ve mermer işlemedeki kalite kontrol uzmanlarının performanslarına yakın başarı düzeyinde sınıflandırma yapılabildiği ortaya konulmuştur.
Anahtar Kelime: A convolutional neural network model for marble quality classification
Öz: The basic policy of marble enterprises is to establish sustainable high-quality products in a standardized manner. Identification and classification of different types of marbles is a critical task that is usually carried out by human experts. However, marble quality classification by human experts can be time-consuming, error- prone, unreliable, and subjective. Automated and computerized methods are needed to obtain more reliable, faster, and less subjective results. In this study, a deep learning model is developed in order to perform multi- classification of marble slab images with six different quality types. Some special image pre-processing operations were applied to the images for data augmentation and a special convolutional neural network (CNN) architecture was designed and implemented. It has been observed that the data augmentation approach for marble image samples has significantly improved the accuracy of the CNN model. We have obtained outstanding results with our CNN model, which surpassed the alternative machine learning algorithms and even equalized the human experts’ classification performance.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- 1. Karaca, Z., Quality control of marble blocks, MERSEM 2003 IV. Marble Symposium, Afyon-Türkiye, 497-503, 18-19 Aralık, 2003.
- 2. Yavuz, A.B., Türk, N., Koca, M.Y., The use of micritic limestone as building stone: A case study of Akhisar beige marble in western Turkey, IMBS 2003 International Symposium of Industrial Minerals and Building Stones, İstanbul-Türkiye, 277–281, 15-18 Eylül, 2003.
- 3. Bianconi, F. et al, Automatic classification of granite tiles through colour and texture features, Expert Systems with Applications, 39 (12), 11212–11218, 2012.
- 4. Selver, M.A. et al, An automated industrial conveyor belt system using image processing and hierarchical clustering for classifying marble slabs, Robotics and Computer-Integrated Manufacturing, 27 (1), 164–176, 2011.
- 5. Unser, M., Sum and difference histograms for texture classification, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8 (1), 118–125, 1986.
- 6. Martinez-Alajarin, J., Luis-Delgado, J.D., Tomas- Balibrea, L.M., Automatic system for quality based classification of marble textures, IEEE Transactions on Systems, Man, and Cybernetics, Part C, 35 (4), 488– 497, 2005.
- 7. Martinez-Alajarin, J., Luis-Delgado, J.D., Tomas- Balibrea, L.M., Classification of marble surfaces using wavelets, Electronics Letters, 39 (9), 714–715, 2003.
- 8. Doğan, H. ve Akay, O., Using AdaBoost classifiers in a hierarchical framework for classifying surface images of marble slabs, Expert Systems with Applications, 37 (12), 8814–8821, 2010.
- 9. Selver, M.A. et al, Cascaded and hierarchical neural networks for classifying surface images of marble slabs, IEEE Transactions on Systems, Man, and Cybernetics, Part C, 39 (4), 426–439, 2009.
- 10. Ferreira, A. ve Giraldi, G., Convolutional Neural Network approaches to granite tiles classification, Expert Systems with Applications, 84, 1–11, 2017.
- 11. Bianconi, F. et al, On comparing colour spaces from a performance perspective: Application to automated classification of polished natural stones, New Trends in Image Analysis and Processing, 9281, 71–78, 2015.
- 12. The MNIST Database of handwritten digits. http://yann.lecun.com/exdb/mnist/. Yayın tarihi 2001. Erişim tarihi Kasım 8, 2019.
- 13. The CIFAR-10 dataset. https://www.cs.toronto.edu/~kriz/cifar.html. Yayın tarihi 2009. Erişim tarihi Eylül 21, 2019.
- 14. Pençe, İ. ve Çeşmeli, M.Ş., Deep Learning in Marble Slabs Classification, Techno-Science, 2 (1), 21-26, 2019.
- 15. Goodfellow, I., Bengio, Y., Courville, A., Deep Learning, MIT Press, Cambridge, MA, A.B.D., 2016.
- 16. Buduma, N. ve Locascio, N., Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms, O’ Reilly, A.B.D., 2017.
- 17. Yıldız O., Melanoma detection from dermoscopy images with deep learning methods: A comprehensive study, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4), 2241-2260, 2019.
- 18. LeCun, Y. et al, Backpropagation applied to handwritten zip code recognition, Neural Comp., 1, 541–551, 1989.
- 19. Hanbay K., Hyperspectral image classification using convolutional neural network and two dimensional complex Gabor transform, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (1), 443-456, 2020.
- 20. Arı A., Hanbay D., Tumor detection in MR images of regional convolutional neural networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (3), 1395-1408, 2019.
- 21. Hahnloser, R. et al, Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit, Nature, 405, 947–951, 2000.
- 22. Avcı K., Two dimensional digital filter design using Kaiser-Hamming window structure and Huang transform and image enhancement application, Journal of the Faculty of Engineering and Architecture of Gazi University, 33 (4), 1459-1474, 2018.
- 23. Filters. https://github.com/realka/DataPreparation. Yayın tarihi Temmuz 18, 2018. Erişim tarihi Mayıs 17, 2019.
- 24. Image Filtering. https://docs.opencv.org/2.4/modules/imgproc/doc/filter ing.html. Yayın tarihi 2011. Erişim tarihi Nisan 22, 2019.
- 25. Aha, D.W., Kibler, D., Albert, M.K., Instance-based learning algorithms, Machine Learning, 6 (1), 37-66, 1991.
- 26. Küçük H., Eminoğlu İ., Balcı K., Classification of neuromuscular diseases with artificial intelligence methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (4), 1725-1742, 2019.
- 27. Han, J., Pei, J., Kamber, M., Data mining: concepts and techniques, Elsevier, Waltham, MA, A.B.D., 2011.
- 28. Utku A., Doğru İ., Permission based detection system for android malware, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (4), 1015-1024, 2017.
APA | karaali i, Eminagaoglu M (2021). Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. , 347 - 357. |
Chicago | karaali idris,Eminagaoglu Mete Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. (2021): 347 - 357. |
MLA | karaali idris,Eminagaoglu Mete Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. , 2021, ss.347 - 357. |
AMA | karaali i,Eminagaoglu M Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. . 2021; 347 - 357. |
Vancouver | karaali i,Eminagaoglu M Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. . 2021; 347 - 357. |
IEEE | karaali i,Eminagaoglu M "Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli." , ss.347 - 357, 2021. |
ISNAD | karaali, idris - Eminagaoglu, Mete. "Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli". (2021), 347-357. |
APA | karaali i, Eminagaoglu M (2021). Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(1), 347 - 357. |
Chicago | karaali idris,Eminagaoglu Mete Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no.1 (2021): 347 - 357. |
MLA | karaali idris,Eminagaoglu Mete Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.36, no.1, 2021, ss.347 - 357. |
AMA | karaali i,Eminagaoglu M Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(1): 347 - 357. |
Vancouver | karaali i,Eminagaoglu M Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(1): 347 - 357. |
IEEE | karaali i,Eminagaoglu M "Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, ss.347 - 357, 2021. |
ISNAD | karaali, idris - Eminagaoglu, Mete. "Mermer işlemede kalite sınıflandırması için evrişimsel sinir ağı modeli". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/1 (2021), 347-357. |