Doğal taşların mimaride ve dekorasyonda kullanımının artmasıyla mermere olan talep son yıllarda giderek yükselmiştir. Yükselen talebi karşılayabilmek için üreticilerin kapasite artırımı kadar, mermer üretim süreçlerinin verimliliğini de artırmaları gerekmektedir. Mermer üretim süreçlerinden biri olan mermer sınıflandırılmasında yapılan insan kaynaklı hatalardan dolayı üretim hızı ve verimi düşmektedir. Bu çalışmada, mermerlerin yanlış sınıflandırma problemine çözüm olarak farklı renk ve dokulara sahip mermer türlerinin yüksek başarımla sınıflandıran yapay zeka destekli bir sistem önerilmektedir. Önerilen sistemde, 5 farklı mermer türüne ait 516 mermer görüntüsünün sınıflandırılması için 12 evrişimsel sinir ağı mimarisi, transfer öğrenme ve derin öğrenme yöntemleri kullanılarak eğitilmiştir. Artırılmış veri kümesi ile yapılan eğitimler sonucunda transfer öğrenme uygulanan VGG-16 mimarisi ile %96.07 sınıflandırma başarısı elde edilmiştir. Önerilen sistem, benzer çalışmalardan farklı olarak, geliştirdiğimiz arayüz ile birleştirilmiştir. Böylelikle, üretim sürecinde daha az insan kaynaklı hata ile mermerlerin sınıflandırılmasına katkı sağlanması amaçlanmıştır.
The demand for marble has increased gradually in recent years with the increasing use of natural stones in architecture and decoration.
In order to meet the rising demand, producers must increase the efficiency of their marble production processes as well as increase their capacity. Production speed and efficiency decrease due to human-induced errors in marble classification, which is one of the marble production processes. In this study, as a solution to the problem of misclassification of marbles, an artificial intelligence supported system that classifies marble types with different colors and textures with high performance is proposed. In the proposed system, 12 convolutional neural network architectures were employed using transfer learning and deep learning methods to classify 516 marble images of 5 different marble types. As a result of the training with the augmented dataset, 96.07% classification accuracy was achieved with the VGG-16 architecture using transfer learning. Unlike similar studies, the proposed system has been integrated with our custom-designed interface. Thus, it is aimed to contribute to the classification of marbles which leads to less human-induced production issues.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Articles |
Authors | |
Publication Date | July 31, 2021 |
Published in Issue | Year 2021 Issue: 26 - Ejosat Special Issue 2021 (HORA) |