YEREL İKİLİ ÖRÜNTÜ TABANLI UÇ ÖĞRENME YAKLAŞIMI KULLANAN AKILLI ÖRÜNTÜ TANIMA SİSTEMİ İLE MERMER SINIFLANDIRMA UYGULAMASI

Abstract

Mermerleri desen kalitesine göre ayırma işlemi uzman kararına göre yapılan bir işlemdir. Mermerin sınıflandırma safhası ekonomik değerinin en kritik bölümdür. Bu çalışmada, mermerlerin sınıflandırmasını hızlı ve yüksek başarım gerçekleştiren ve bunu yaparken öğrenen bir sistem önerilmiştir. Bu sistem kameradan veya hafızadan elde ettiği görüntülere özellik çıkarım işlemi uygulamaktadır. Mermer görüntülerini sınıflandırmak için Yerel ikili örüntüleri (Local Binary Pattern-LBP) öznitelik tabanlı Uç öğrenme makinesi (Extreme Learning Machine-ELM) kullanılmıştır. Görüntü kümesine LBP özellik çıkarım işemi uygulanarak eğitim kümesi elde edilir. ELM sınıflandırıcısı LBP tabanlı eğitim kümesini kullanarak öğrenme işlemini gerçekleştirir. ELM sınıflandırıcısının sınıflandırma başarısını ölçmek için Toplu (Ensemble) sınıflandırıcı kullanılmıştır. C4.5 tabanlı karar ağacı, ileri beslemeli statik danışmanlı yapay sinir ağı ve destek vektör makinesi sınıflandırıcıları Toplu sınıflandırıcıyı oluşturmaktadır. ELM'nin sınıflandırma başarımı Toplu sınıflandırıcıyla karşılaştırılmıştır. LBP tabanlı eğitim kümesinin başarım performansını karşılaştırmak için Çoklu özellik çıkarımından yararlanılmıştır. Çoklu özellik çıkarımında Histogram ve Ölçekten Bağımsız Öznitelik Dönüşümü (Scale Invariant FeatureTransform-SIFT) tabanlı öznitelikler mevcuttur. SIFT tabanlı özelliklerin eğitim kümesine dönüştürülmesi için Kelime çantası (Bag of Words-BOW) modelinden yararlanılmıştır. Kelime çantasında görsel kelimeleri ayırmak için k-ortalama kümeleme yöntemi kullanılmıştır. Hazırlanan modellerin özellik çıkarım ve sınıflandırma işlemleri geliştirilen Grafiksel arayüz (Graphical User Interface-GUI) aracılığıyla yapılmaktadır. Kullanıcı uygulama üzerinden sistemi eğiterek, sınıfı bilnmeyen mermerin sınıfını belirleyebilir. Çalışma kapsamında geliştirilen GUI endüstriyel kullanıma uygundur.

Separation of the marbles according to the pattern quality is an operation made according to expert decision. The marble classification stage is the most critical part of the economic value. In this study, a system was proposed which performs the classification of marbles quickly and with high performance and learns in doing so. This system applies feature subtraction to the images obtained from the camera or memory. The Local Binary Pattern (LBP) feature-based Extreme Learning Machine (ELM) was used to classify marble views. The training set is obtained by applying LBP feature extraction to the image set. The ELM classifier performs learning using the LBP-based training set. The Ensemble classifier was used to measure the classification success of the ELM classifier. C4.5 based decision tree, forward feed static advisory artificial neural network and support vector machine classifiers constitute collective classifier. The classification performance of the ELM is compared with the collective classifier. Multiple feature extraction was used to compare the performance performance of the LBP-based training set. Histogram and Scale Invariant FeatureTransform (SIFT) based attributes are available for multiple feature extraction. The Bag-of-Words (BOW) model was used to transform SIFT-based features into a training set. The k-means clustering method is used to distinguish visual words in the vocabulary. Graphical interface (Graphical User Interface-GUI) is used to develop the feature extraction and classification processes of the prepared models. By training the system through the application, the user can determine the class of marble that does not know the class. The GUI developed within the scope of the study is suitable for industrial use.