Özet:

The main policy of marble enterprises is to present sustainable and high quality products in a standardized way. Identification and classification of different types of marble is a critical task usually done manually by specialists in this field. However; the classification of marble quality by people and manually is a very time-consuming, too open to errors, but also unreliable and subjective process. This process is more objective and reliable, much faster and much less human intervention will require information technology-based approaches and methods. In this study, a deep learning model has been developed, processing sheet marble paintings and classifying them according to six different quality types. For the purpose of data enhancement, an image pre-treatment process specific to the original marble images has been carried out and a specific evolutionary nerve network architecture has been designed and adapted. The original data enhancement approach applied to marble images in this study has been observed to significantly increase the classification success and accuracy values of the evolutionary nerve network model. The evolutionary nerve network model and alternative artificial learning algorithms have achieved much more successful results than all, and it has been found that quality control experts in the marble process can be classified at a success level close to performance.

Anahtar Kelimeler:

Özet:

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.