Traverten Plaka Taşlarda Sınıfların K-ortalamalar ve Bulanık C-ortalamalar Kümeleme Yöntemleri ile Belirlenmesi

Year 2012, Volume: 16 Issue: 3, 238 - 247, 13.07.2014

Melike Şişeci Bayram Çetişli

Abstract

Doğal taşlarla yapılan yüzey kaplamalarında, yüzeylerin homojen olarak görünmesi estetik açıdan önemlidir. Bu noktada gerek
müşteri talepleri gerek taş üreticileri tarafından belirlenmiş sınıflar bulunmaktadır. Üretim sırasında taş plakaların sınıflandırılması
(seleksiyonu) genellikle elle yapıldığından sınıflarda bir standardın tutturulması mümkün olmamaktadır. Ayrıca önceden belirlenen
sınıf standartlarına uygun olmayan taşların gelmesi durumunda da en yakın sınıf tespit edilerek plakalar o sınıflara ayrılmaktadır. Bu
noktada kişilerin farklı görselliklerinden bağımsız olarak objektif bir sınıflandırmanın yapılması gerekmektedir. Bu çalışmada ise
öğreticisiz öğrenme modellerinden biri olan K-ortalamalar ve bulanık C-ortalamalar yöntemleri birbirleriyle kıyaslanarak traverten
plakalar için yeni bir sınıf tanımlaması öngörülmektedir. Yöntemlerde, hem renk hem de homojenlik analizleri yapılarak travertenler
için en uygun öznitelikler belirlenmiştir. Yapılan deneysel çalışmalar, önerilen yeni sınıflandırma biçimleri ile traverten sınıflarının
ayrımı daha belirgin olduğunu ve sınıf içi dağılımlarının göze daha hoş geldiğini göstermektedir.

Keywords

K-ortalamalar kümeleme yöntemi, Bulanık C-ortalamalar, Homojenlik analizi, Renk analizi, Traverten sınıflandırma, Görüntü işleme

References

• Benavente, N., Pina, P. 2009. Morphological segmentation and classification of marble textures at macroscopical scale, Computers & Geosciences, 35(6), 1194-1204.
• Castleman, K.R. 1996. Digital Image Processing, Prentice Hall, New Jersey.
• Chaves-González, J.M., Vega-Rodríguez, M.A., GómezPulido, J.A., Sánchez-Pérez, J.M. 2010. Detecting skin in face recognition systems: A colour spaces study, Digital Signal Processing, 20(3), 806-823.
• Dunn, J.C. 1973. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact, WellSeparated Clusters, J. Cybern., 3, 32-57.
• Eraslan, H., İpçioğlu, İ., Haşit, G., Erşahan, B. 2008. Bilecik bölgesi mermer sektörünün uluslar arası rekabetçilik analizi: sektörel sorunlar ve çözüm önerileri. Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 5(10), 193-217.
• Gonzalez, R.C., Woods, R.E. 2008. Digital Image Processing, Pearson Int. Ed., 2008.
• Han, J. ve Kamber, M. 2006. Data Mining Concepts and Techniques, Morgan Kauffmann Publishers Inc.
• Hopfield, JJ. 1982. Neural Networks and Physical Systems with Emergent Collective Computational Abilities, In Proc. of National Academy of Sciences, 79, 2554-2558.
• Höppler, F., Klawoun, F., Kruse, R., Ruukler, T. 1999. Fuzzy Cluster Analysis, Wiley.
• Işık, M., Çamurcu, A.Y. 2007. K-Means, K-Medoids ve Bulanık C-Means Algoritmalarının Uygulamalı Olarak Performanslarının Tespiti, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 11, 31-45.
• Jang J-S.R., Sun C-T., Mizutani E. 1997. Neuro-fuzzy and soft computing, Prentice Hall, Upper Saddle River, 403-453 pp.
• Karaca, Z., Öztank, N. 2003. Mermerin mimari tasarımı, Türkiye IV. Mermer Sempozyumu (MERSEM'2003), 18-19 Aralık, Afyonkarahisar, 379-386.
• Kohonen, T. 1977. Associative memory: a systemtheoretical approach, Spring-Verlag, New York.
• López, M., Martínez, J., Matías, J.M., Taboada, J., Vilán, J.A. 2010. Functional classification of ornamental stone using machine learning techniques, J. of Computational and Applied Mathematics, 234(4), 1338-1345.
• MacQueen, J.B. 1967. Some Methods For Classification and Analysis of Multivariate Observations, Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 281– 297.
• Martinez-Alajarin, J., Luis-Delgado, J.D., TomasBalibrea, L.M. 2005. Automatic system for quality-based classification of marble textures, IEEE Transactions on Systems, Man, and Cybernetics, Part C, 35(4), 488–497.
• Metlek, S., Büyükçingir, E., Cetişli, B. 2009. The automatic machine vision and classification system of granite slabs, Int. Symposium on Eng. and Arc. Sciences of Balkan, Caucasus and Turkic Republics, 22-24 Ekim, Isparta, 99-103.
• Osareh, A., Mirmehdi, M., Thomas, B., Markham, R. 2002. Comparison of Colour Spaces for Optic Disc Localisation in Retinal Images, IEEE 16th Int. Conf. on Pattern Recognition, 1, 743-746.
• Özdamar K. 2004. Paket Programlar İle İstatistiksel Veri Analizi 2, Kaan Kitabevi, 5. Baskı, Eskişehir, Türkiye, 213-230 ve 279-292.
• Özkan, Y. 2008. Veri Madenciliği Yöntemleri, Papatya Yayıncılık ve Eğitim AŞ. Bölüm 6.
• Periavi, A., Kheibari H.T. 2008. A Fast Algorithm For Connectivitiy Graph Approximation Using Modified Manhattan Distance in Dynamic Networks, Applied Mathematics and Computation, 201, 319-332.
• Selver, A.M., Akay, O. 2009. Evaluating clustering methods for classification of marble slabs in an automated industrial marble inspection system, Int. Conf. on Electrical and Electronics Engineering, ELECO 2009, II-115 - II-119.
• Taşkın, Ç., Emel, G.G. 2010. Veri Madenciliğinde Kümeleme Yaklaşımları Ve Kohonen Ağları İle Perakendecilik Sektöründe Bir Uygulama, Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 15, 395-409.
• Theodoridis, S., Kotroumbas, K. 1999. Pattern Recognition. Academic Press, San Diego.
• Viénot, F., Brettel, H. & Mollon, J. D. 1999. Digital Video Colourmaps for Checking the Legibility of Displays by Dichromats, Color Research and Application, 24, 243-252.