Robotik bir mikroskop sisteminden elde edilen görüntülerin görüntü işleme ve yapay zeka yöntemleri ile analizi
| dc.contributor.advisor | Yılmaz, Nihat | |
| dc.contributor.author | Baykan, Nurdan | |
| dc.date.accessioned | 2016-12-01T08:29:51Z | |
| dc.date.available | 2016-12-01T08:29:51Z | |
| dc.date.issued | 2010-08-23 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Kayaçların isimlendirilmesi için, kayaç içindeki mineraller ve bulunma yüzdeleri tespit edilmelidir. Kayaçlar bazen gözle analiz edilebilseler bile, esas inceleme mikroskop altında ince kesitler kullanılarak yapılmaktadır. Yapılan incelemeler saatler sürmekte ve sonuçlar inceleme yapan kişiye göre değişebilmektedir. Yapılan tez çalışmasında kayaç yapıcı minerallerin başında gelen kuvars, muskovit, biyotit, klorit ve opak minerallerinin tespit edilmesi üzerine çalışılmıştır. Mineral tespit çalışmalarında kullanılan piksel değerleri hem tek nikol, hem de çift nikol görüntülerden alınmıştır. Yapılan tüm çalışmalarda Çok Katmanlı Yapay Sinir Ağı (ÇKYSA) kullanılmıştır. Mineral tanıma için kullanılan ilk dijital görüntüler, James Swift marka mikroskoba bağlı Videolab kamera ile Inca programı ile elde edilmiştir. Görüntüler 450x370 piksel boyutlarında RGB formatında renkli görüntülerdir. Toplam 325 adet piksel değeri RGB, HSV ve L*a*b* renk uzaylarında ayrı ayrı alınarak, mineral etiketleme çalışmaları yapılmıştır. Mineral etiketlemede RGB renk uzayında ortalama %89,53; HSV'de % 87,5; L*a*b*'de %89,59; RGB ve HSV renk uzayları birlikte kullanıldığında %87,45 başarı elde edilmiştir. Aynı dijital görüntülerden alınan toplam 400 adet piksel değeri ile RGB renk uzayında mineral sınıflandırma çalışmaları da yapılmıştır. Sınıflandırmada minerallerin tümü için ortalama %93,86 başarı elde edilmiştir. Her mineralin ayrı ayrı sınıflandırma başarılarını tespit etmek içinse, paralel çalışan ÇKYSA mimarileri kullanılmıştır. Sonuçta kuvars, muskovit, biyotit, klorit, opak için elde edilen sınıflandırma başarıları sırasıyla %90,67; %96,16; %93,91; %92 ve %97,62'dir. Mineral tanıma için kullanılan diğer dijital görüntüler, Meiji MX9430 marka mikroskoba bağlı Kameram590cu kameram ile Kameram programı ile elde edilmiştir. Görüntüler 675x500 piksel boyutlarında RGB formatında renkli görüntülerdir. Toplam 600 adet piksel değeri kullanılarak, geliştirilen bir bulanık mantık tabanlı önişlem algoritması ile RGB renk uzayında, mineral sınıflandırma çalışmaları yapılmıştır. Hem önişlem uygulanmış, hem de uygulanmamış verilerle yapılan sınıflandırmada %98'in üzerinde başarı elde edilmiştir. Başarılar karşılaştırıldığında, önişlem ile ÇKYSA mimarisinde gizli katmandaki nöron sayılarının çok azaldığı, böylece işlem süresinin azaldığı ve performansın arttığı görülmüştür. Tez kapsamında mikroskop incelemelerinde kullanılabilecek bir mekanik sistem tasarımı da gerçekleştirilmiştir. Geliştirilen Lcd ekranlı, Pic mikrodenetleyici kullanan bilgisayar kontrollü sistem yardımıyla otomatik olarak ince kesitin hareket yönü, mikroskop tablasının ve analizörün kontrolü yapılabilmektedir. | en_US |
| dc.description.abstract | Minerals and percentage of their area in rocks must be identified for naming rocks. Sometimes, rocks can be observed with eyes, but the base observations are made under the microscope with using thin sections. Observations take many hours and the results may change according to the researchers. In this study rock forming minerals quartz, muscovite, biotite, chlorite and opaque were used for mineral recognition. Pixel values used for mineral recognition were taken from both crossed-polarized and plane-polarized images. Multi-layered Artificial Neural Network (ANN) was used in all analyses. At the first step, thin section images were collected from Videolab camera mounted on a James Swift microscope and transmitted by Inca software. Total images have been stored in RGB format with a dimension of 450x370 pixels. Totally 325 pixel values were taken in RGB, HSV and L*a*b* color spaces and used for recognition. Labeling results have been achieved as 89,53% in RGB; 87,5% in HSV; 89,59% in L*a*b* and 87,45% when RGB and HSV were used together. 400 pixel values taken from same images were used for mineral classification in RGB color space. For classification of all minerals, 93,86% successful classification result has been achieved. Multiple ANNs were used for classify minerals individual. 90,67%, 96,16%, 93,91%, 92% and 97,62% successful results have been achieved for quartz, muscovite, biotite, chlorite and opaque, respectively. The other digital images were collected from Kameram590cu camera mounted on a Meiji MX9430 microscope and transmitted by Kameram software. Images have been stored in RGB format with a dimension of 675x500 pixels. 600 pixel values were used for classification. A new preprocess algorithm based on fuzzy logic has been established in RGB color space. 98% successful results were achieved from both original data and preprocessed data set. Rely on the results, it can been concluded that the number of neurons in hidden layer decreased as in line with the decrease in time, yet the performance increased. An electromechanical system has been established in this study. The directions of thin section movements, controls of experimental stage and analyzer can be controlled by this mechanical system. It is used Pic microcontroller and all controls can be seen in Lcd screen. | en_US |
| dc.identifier.citation | Baykan, N. (2010). Robotik bir mikroskop sisteminden elde edilen görüntülerin görüntü işleme ve yapay zeka yöntemleri ile analizi. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/3364 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Artificial intelligence | en_US |
| dc.subject | Yapay zeka | en_US |
| dc.subject | Robotics | en_US |
| dc.subject | Robotik | en_US |
| dc.subject | Mineralogical properties | en_US |
| dc.subject | Mineralojik özellikler | en_US |
| dc.subject | Mineralogy | en_US |
| dc.subject | Mineraloji | en_US |
| dc.subject | Image processing-computer assisted | en_US |
| dc.subject | Görüntü işleme-bilgisayarlı | en_US |
| dc.subject | Image processing methods | en_US |
| dc.subject | Görüntü işleme yöntemleri | en_US |
| dc.subject | Computer vision | en_US |
| dc.subject | Bilgisayarla görme | en_US |
| dc.title | Robotik bir mikroskop sisteminden elde edilen görüntülerin görüntü işleme ve yapay zeka yöntemleri ile analizi | en_US |
| dc.title.alternative | Analysis of microscopic images povided by a robotic microscope system via image processing and artificial intelligence techniques | en_US |
| dc.type | Doctoral Thesis | en_US |
