İNCE KESİT KAYAÇ GÖRÜNTÜLERİ İÇİN DERİN ÖĞRENME TABANLI KAYAÇ TİPİ BELİRLEME VE MİNERAL ANALİZİ

Abstract

Jeolojik araştırmalarda ince kesit kayaç görüntülerinin doğru, hızlı ve tekrarlanabilir biçimde değerlendirilmesi; petrojenez yorumları, rezervuar karakterizasyonu ve mühendislik uygulamaları açısından kritik öneme sahiptir. Geleneksel ince kesit analizi, uzman bağımlılığı ve zaman maliyeti nedeniyle otomasyona ihtiyaç duymaktadır. Bu tezde, polarizan mikroskop ile elde edilen ince kesit kayaç görüntülerinden kayaç türü sınıflandırması ve mineral fazlarının anlamsal bölütlenmesi için derin öğrenme tabanlı bütünleşik bir yaklaşım önerilmektedir. Çalışmanın ilk aşamasında, üç ana kayaç grubuna (magmatik, metamorfik, sedimanter) ait 2634 ince kesit görüntüsünden oluşan bir veri seti oluşturulmuştur. Bu veri üzerinde VGG16 ve EfficientNetV2-B0 tabanlı aktarım öğrenmesi yaklaşımları karşılaştırılmış ve her iki mimarinin özellik çıkarım güçlerini birleştiren hibrit bir VGG16+EfficientNetV2-B0 modeli tasarlanmıştır. Önerilen model, eğitim ve doğrulama doğruluklarında yaklaşık %99 düzeyine ulaşarak, tekil modellere göre daha yüksek genelleme başarımı sergilemiştir. İkinci aşamada, ince kesit mikroskop görüntülerinin piksel düzeyinde etiketlenebilmesi için Basit Doğrusal İteratif Kümeleme (Simple Linear Iterative Clustering) SLIC süperpiksel tabanlı yarı otomatik bir anotasyon süreci tasarlanmış ve bu süreçle üretilen yer doğrusu maskeleri üzerinden kuvars, alkali feldispat ve plajiyoklaz fazlarının ayrımı hedeflenmiştir. Oluşturulan etiketli veri seti kullanılarak üç farklı anlamsal bölütleme yaklaşımı (U-Net, DeepLabV3+ ve SegFormer) aynı sınıf tanımı ve aynı yer doğrusu altında eğitilmiş; böylece modellerin performansı karşılaştırılabilir bir çerçevede değerlendirilmiştir. Eğitim aşamasında U-Net, DeepLabV3+ ve SegFormer için doğruluk değerleri sırasıyla %94.83, %95.90 ve %97.00 olarak elde edilirken, mIoU değerleri 0.80, 0.86 ve 0.87 olarak hesaplanmıştır. Doğrulama aşamasında ise UNet'in %88.10 doğruluk ve 0.6406 mIoU; DeepLabV3+'ın %90.45 doğruluk ve 0.66 mIoU; SegFormer'ın %94.56 doğruluk ve 0.73 mIoU değerlerine ulaştığı belirlenmiştir. Bu sonuçlar, SegFormer mimarisinin doğrulama verisi üzerinde hem genel doğruluk hem de sınıf sınırlarını temsil eden mIoU metriklerinde en yüksek başarımı sağladığını; özellikle tane sınırlarının belirgin olmadığı veya faz geçişlerinin kademeli gerçekleştiği ince kesitlerde daha tutarlı maske çıktıları ürettiğini göstermektedir. Elde edilen segmentasyon maskeleri üzerinden her bir numune için kuvars (Q), alkali feldispat (A) ve plajiyoklaz (P) modal oranları piksel sayımı ile hesaplanmış; oranlar QAP diyagramı için normalize edilerek üçgen diyagram üzerinde konumlandırılmıştır. Bu sayede ince kesit görüntülerinden otomatik kayaç türü tayini gerçekleştirilmiş ve segmentasyon çıktılarının petrografik yorum düzeyindeki karşılığı nicel olarak sınanmıştır. Son olarak, geliştirilen grafiksel kullanıcı arayüzü ile anotasyon (SLIC tabanlı etiketleme), model çıktılarının görselleştirilmesi ve QAP tabanlı değerlendirme adımları tek bir iş akışı altında toplanmış;

Accurate, rapid, and reproducible interpretation of thin-section rock images is critical in geological research for petro-genetic interpretations, reservoir characterization, and engineering applications. Conventional thin-section analysis is highly dependent on expert judgment and is time-consuming, which motivates the need for automation. In this thesis, an integrated deep learning–based framework is proposed to perform rock-type classification and semantic segmentation of mineral phases from thin-section rock images acquired using a polarizing microscope. In the first stage, a dataset comprising 2,634 thin-section images representing three major rock groups (igneous, metamorphic, and sedimentary) was compiled. Transfer learning approaches based on VGG16 and EfficientNetV2-B0 were evaluated on this dataset, and a hybrid VGG16+EfficientNetV2-B0 model was designed by combining the feature extraction capabilities of both architectures. The proposed hybrid model achieved approximately 99% accuracy on the training and validation sets, demonstrating improved generalization compared with the individual models. In the second stage, a semi-automatic annotation workflow based on SLIC superpixels was developed to enable pixel-level labeling of thin-section microscope images, targeting the separation of quartz, alkali feldspar, and plagioclase phases using the generated ground-truth masks. Using this labeled dataset, three semantic segmentation approaches (U-Net, DeepLabV3+, and SegFormer) were trained under the same class definitions and using the same ground truth, allowing a consistent and comparable evaluation. During training, the accuracies obtained for U-Net, DeepLabV3+, and SegFormer were 94.83%, 95.90%, and 97.00%, respectively, while the corresponding mIoU values were 0.80, 0.86, and 0.87. On the validation set, U-Net achieved 88.10% accuracy with an mIoU of 0.6406; DeepLabV3+ achieved 90.45% accuracy with an mIoU of 0.66; and SegFormer achieved 94.56% accuracy with an mIoU of 0.73. These results indicate that SegFormer provides the best performance on the validation data in terms of both overall accuracy and mIoU, which reflects boundary quality, producing more consistent masks particularly in thin sections where grain boundaries are indistinct or phase transitions are gradual. Based on the resulting segmentation masks, modal proportions of quartz (Q), alkali feldspar (A), and plagioclase (P) were computed for each sample via pixel counting. These proportions were normalized