Termal ve Doku Bileşenli Hibrit Görüntüler Kullanılarak Derin Öğrenme Tabanlı Malzeme Sınıflandırması

Turkish

Bu çalışmada, farklı malzemelere ait termal ve doku bileşenli hibrit görüntüler kullanılarak derin öğrenme tabanlı malzeme sınıflandırma performansının araştırılması amaçlanmıştır. Bu amaç doğrultusunda kontrollü bir deney düzeneği oluşturulmuş ve alüminyum folyo, kâğıt, karton, kumaş, metal, naylon, sunta ve tahta olmak üzere sekiz farklı materyale ait görüntüler elde edilmiştir. Materyaller oda sıcaklığında, 10 saniye ısıtma sonrasında ve 20 saniye ısıtma sonrasında görüntülenmiştir. Ayrıca her durum aydınlatmalı ve aydınlatmasız koşullarda kaydedilmiştir. Elde edilen görüntüler; %25, %50, %75 ve %100 oranlarında termal bilgi içerecek şekilde doku görüntüleriyle birleştirilmiş ve 128×128 piksel boyutlarında alt görüntülere ayrılarak dört farklı veri seti oluşturulmuştur. Sınıflandırma aşamasında VGG16, VGG19, DenseNet201, InceptionV3, MobileNetV2 ve ResNet50V2 mimarileri transfer öğrenme yaklaşımıyla uygulanmış ve modellerin doğruluk değerleri karşılaştırılmıştır. Elde edilen bulgular, termal bileşen oranının sınıflandırma başarımı üzerinde belirgin bir etkiye sahip olduğunu göstermiştir. En yüksek doğruluk değeri, %25 termal bileşen içeren hibrit görüntülerden oluşan veri setinde VGG19 mimarisi ile 0,95 olarak elde edilmiştir. Sonuçlar, düşük oranlı termal bilginin doku bilgisiyle birlikte kullanılmasının malzeme sınıflandırma performansını artırabileceğini göstermektedir.