Soyulma Deneyi Sonuçlarının Yapay Sinir Ağları ile Değerlendirilmesi: Görüntü İşleme ve Uzman Görüşü Karşılaştırması

Yıl 2025, Cilt: 15 Sayı: 4, 1647 - 1667, 15.12.2025

Kadir Akgöl , Ferdi Özbilgin , Ömer Faruk Öztürk , Mehmet Can Tuna , Mücahit Kayiş , Fatih Ulu

https://doi.org/10.31466/kfbd.1704724

Öz

Bu çalışmada, karayolu üst yapılarında kullanılan agregaların soyulma davranışını analiz etmek amacıyla laboratuvar deney sonuçları, görüntü işleme teknikleri ve uzman değerlendirmeleri temelinde karşılaştırılmıştır. Çalışma kapsamında, laboratuvar ortamında elde edilen 270 adet agrega görüntüsü MATLAB yazılımında geliştirilen bir araç kullanılarak analiz edilmiştir. Bu araç, her bir görüntü için toplam soyulma alanı, soyulma çevresi ve soyulma miktarını belirlemiş, ardından soyulma yüzdesini hesaplamıştır. Aynı numuneler, laboratuvar personeli tarafından görsel olarak değerlendirilerek uzman görüşüne dayalı sonuçlar kaydedilmiştir. Elde edilen verilerin doğruluğu ve tutarlılığı yapay sinir ağları (YSA) yöntemi ile test edilmiştir. Bu çalışmanın sonuçları, görüntü işleme tekniklerinin soyulma davranışının nesnel ve tekrarlanabilir bir şekilde değerlendirilmesi için daha güvenilir bir alternatif sunduğunu ortaya koymaktadır. Ayrıca, toplam soyulma alanına ek olarak soyulma bölgelerinin geometrik özelliklerinin değerlendirilmesi gerektiği vurgulanmaktadır. Bu bulgular, laboratuvar deneylerinin doğruluğunu artırmak için yol gösterici olmuştur.

Anahtar Kelimeler

Görüntü işleme , Yapay sinir ağları , Soyulma deneyi , Agrega-Bitüm Adezyonu

Evaluation of Stripping Test Outcomes Using Artificial Neural Networks: A Comparative Analysis of Image Processing and Expert Assessments

Öz

In this study, the stripping behavior of aggregates used in flexible pavement layers was analyzed by comparing laboratory test results with image processing techniques and expert evaluations. A total of 270 aggregate images obtained under laboratory conditions were analyzed using a custom tool developed in MATLAB. This tool extracted the total stripped area, stripped perimeter, and number of stripped regions for each image and subsequently calculated the stripping percentage. The same specimens were also visually evaluated by laboratory personnel, and expert-based assessments were recorded. The accuracy and consistency of the obtained data were tested using the Artificial Neural Network (ANN) method. The results of this study demonstrate that image processing techniques offer a more objective and reproducible alternative for evaluating stripping behavior. Moreover, the findings highlight the necessity of considering the geometric characteristics of stripped regions in addition to the total stripped area. These insights serve as a guide for improving the accuracy of laboratory stripping tests.

Anahtar Kelimeler

Image process , Artificial neural networks , Stripping test , Aggregate-Bitumen adhesion

Kaynakça

• Akalın, K. B., & Karacasu, M. (2020). Çevresel atıklarla modifiye edilmiş sathi kaplamaların performansının agrega-bitüm ilişkisi bağlamında değerlendirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(1), 127-136.
• Aktaş, B. (2012). Koruyucu amaçlı sathi kaplamaların performansına etki eden parametrelerin incelenmesi Süleyman Demirel Üniversitesi]. Isparta.
• Arasan, S. (2011). Görüntü analizi ile granüler zeminlerin bazı geoteknik özelliklerinin belirlenmesi Atatürk Üniversitesi]. Erzurum.
• Beltran, G., & Romo, M. (2014). Assessing artificial neural network performance in estimating the layer properties of pavements. Ingeniería e Investigación, 34(2), 11-16.
• Bubeníková, E., Pirník, R., Holečko, P., & Franeková, M. (2015). The ways of streamlining digital image processing algorithms used for detection of lines in transport scenes video recording. IFAC-PapersOnLine, 48(4), 174-179.
• Bundy, K., Schlegel, U., Rahn, B., Geret, V., & Perren, S. (2000). An improved peel test method for measurement of adhesion to biomaterials. Journal of Materials Science: Materials in Medicine, 11, 517-521.
• Çetin, S. (2012). Sathi kaplamalarda meydana gelen bozulmaların görüntü işleme yöntemiyle analizi Süleyman Demirel Üniversitesi]. Isparta.
• Doğan, G., & Ergen, B. (2022). Karayollarındaki asfalt çatlaklarının tespiti için yeni bir konvolüsyonel sinir ağı tabanlı yöntem. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 34(2), 485-494.
• Girdap, E. (2017). Taş mastik asfalt karışımlarda SBS ile birlikte PR plast S katkısının karışım performansı üzerindeki etkilerinin incelenmesi Karadeniz Teknik Üniversitesi]. Trabzon.
• Gürer, C., & Karaşahin, M. (2014). Sathi kaplama agregalarının adezyon özelliklerinin araştırılması. Yapı Teknolojileri Elektronik Dergisi, 10(2), 1-11.
• Karadağ, Ö., & Saltan, M. (2021). Bitümlü bağlayıcı ve agregaların arasındaki adezyon üzerine cocamide diethanolamide kimyasalının etkisi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(3), 312-317.
• Kyo, S., Koga, T., Sakurai, K., & Okazaki, S. i. (1999). A robust vehicle detecting and tracking system for wet weather conditions using the IMAP-VISION image processing board. Proceedings 199 IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems (Cat. No. 99TH8383), Tokyo, Japan.
• Lee, S., Kim, S., An, K. E., Ryu, S.-K., & Seo, D. (2018). Image processing-based pothole detecting system for driving environment. 2018 IEEE International Conference on Consumer Electronics (ICCE), Las Vegas, NV, USA.
• Mo, X., Sun, C., Li, D., Huang, S., & Hu, T. (2020). Research on the method of determining highway truck load limit based on image processing. IEEE Access, 8, 205477-205486.
• Niksaz, P. (2012). Automatic traffic estimation using image processing. International Journal of Signal Processing, Image Processing Pattern Recognition, 5(4), 167-174.
• Oh, I., & Barham, W. (2011). The application of artificial neural network for the prediction of the deformation performance of hot-mix asphalt. In Computing in Civil Engineering (2011) (pp. 227-233).
• Öner, J. (2020). Seramik Atıklarıyla Hazırlanan Asfalt Karışımların Soyulmaya Karşı Dayanımının Belirlenmesi [Stripping Resistance Evaluation of Asphalt Mixtures containing Ceramic Wastes]. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 20(3), 498-505. https://doi.org/10.35414/akufemubid.665232
• Rajab, M. I., Alawi, M. H., & Saif, M. A. (2008). Application of image processing to measure road distresses. WSEAS Transactions on Information Science Applications, 5(1), 1-7.
• Sajjadi, B. A. (2016). Bazı katkıların bitümün yapışma karakteristiklerine etkisinin belirlenmesi Süleyman Demirel Üniversitesi]. Isparta.
• Sarikan, S. S., Ozbayoglu, A. M., & Zilci, O. (2017). Automated vehicle classification with image processing and computational intelligence. Procedia Computer Science, 114, 515-522.
• Shen, G. (2016). Road crack detection based on video image processing. 2016 3rd International Conference on Systems and Informatics (ICSAI), Shanghai, China.
• Simons, S., Rossetti, D., Pagliai, P., Ward, R., & Fitzpatrick, S. (2005). The relationship between surface properties and binder performance in granulation. Chemical engineering science, 60(14), 4055-4060.
• Sollazzo, G., Fwa, T., & Bosurgi, G. (2017). An ANN model to correlate roughness and structural performance in asphalt pavements. Construction Building Materials, 134, 684-693.
• Valentova, T., Altman, J., Valentin, J., & Hamzah, M. O. (2015). Impact of Ageing and the Stability of Adhesion Additive on Moisture Susceptibility and Adhesion. Applied Mechanics Materials, 802, 309-314.
• White, T. D., Haddock, J. E., & Rismantojo, E. (2006). Aggregate Tests for Hot-Mix Asphalt Mixtures Used in Pavements. NCHRP Report.
• Wigan, M. (1992). Image-processing techniques applied to road problems. Journal of transportation engineering, 118(1), 62-83.
• Yang, Z., Ni, C., Li, L., Luo, W., & Qin, Y. (2022). Three-stage pavement crack localization and segmentation algorithm based on digital image processing and deep learning techniques. Sensors, 22(21), 8459.