Görüntü Çözünürlüğünün Elazığ Vişne Mermerinin Derin Öğrenme Tabanlı Sınıflandırılmasına Etkisi

Öz

Doğal taşlar, insanlık tarihi boyunca estetik, kültürel ve ekonomik değerleriyle önemli bir rol oynamış; anıtsal mimariden çağdaş tasarıma kadar uzanan geniş bir kullanım alanı bulmuştur. Bu taşlar arasında, yalnızca Türkiye’nin Elazığ iline bağlı Alacakaya ilçesinden çıkarılan Elazığ Vişne mermeri, derin vişne kırmızısı rengi, belirgin damarlı yapısı ve parlak yüzey dokusuyla dünya çapında benzersiz ve saygın bir doğal kaynak olarak öne çıkmaktadır. Bu çalışma, Elazığ Vişne mermeri üzerinde gerçekleştirilen deneysel analizler aracılığıyla, görüntü çözünürlüğünün derin öğrenme tabanlı görsel sınıflandırma modelleri üzerindeki etkisini sistematik bir biçimde incelemektedir. Toplam 2551 görüntü, 96x96 ile 1024x1024 piksel arasında değişen çoklu çözünürlük seviyelerine yeniden örneklenmiş ve üç farklı önceden eğitilmiş mimari (ResNet50, Darknet53 ve DenseNetV2) kullanılarak değerlendirilmiştir. Bulgular, düşük çözünürlüklerde doğruluk oranlarının %90–93 aralığında kaldığını, buna karşın orta düzey çözünürlüklerin (224x224 – 299x299) belirgin bir iyileşme sağladığını ve doğruluk ile hesaplama verimliliği arasında en uygun dengeyi sunduğunu göstermektedir. Daha yüksek çözünürlüklerde performans artışı sınırlı kalmakla birlikte, ResNet50 modeli 1024x1024 çözünürlükte %96,1 ile en yüksek doğruluk oranına ulaşmıştır. Sonuçlar, görüntü çözünürlüğünün yalnızca görsel kaliteyi değil, aynı zamanda sınıflandırma doğruluğunu, hesaplama maliyetini ve modelin aşırı uyum (overfitting) karşısındaki dayanıklılığını etkileyen kritik bir parametre olduğunu ortaya koymaktadır. Bu doğrultuda, çalışma çözünürlük–mimari etkileşimlerine ilişkin yeni bulgular sunmakta ve doğal taş endüstrisi için dijital, nesnel ve tekrarlanabilir bir kalite kontrol alternatifi geliştirmeye yönelik pratik katkılar sağlamaktadır.

Anahtar Kelimeler

• Görüntü çözünürlüğü
• Elazığ Vişne mermeri
• derin öğrenme
• ResNet50

Destekleyen Kurum

Bu çalışma herhangi bir kamu, ticari veya kar amacı gütmeyen kuruluş tarafından finansal olarak desteklenmemiştir.

Etik Beyan

Bu çalışma etik kurul onayı gerektirmez.

Teşekkür

Yazarlar, bu çalışmada kullanılan verileri sağladığı için Alacakaya Marble Inc.'e teşekkür eder. Bu çalışma, ilk yazarın "Görüntü İşleme ve Yapay Zeka Kullanarak Elazığ Kiraz Mermerinin Kalite Metriklerinin Belirlenmesi" başlıklı doktora tezinin bir bölümünden geliştirilmiştir.

Impact of Image Resolution on Deep Learning-Based Classification of Elazığ Cherry Marble

Öz

Natural stones have played a significant role throughout human history, valued for their aesthetic, cultural and economic importance in applications ranging from monumental architecture to contemporary design. Among them, Elazığ Cherry marble, quarried exclusively in the Alacakaya district of Elazığ, Türkiye, stands out as a unique and prestigious natural resource, renowned for its deep cherry red color, distinctive vein structure and polished brilliance. This study systematically investigates the impact of image resolution on deep learning architectures for visual classification through experimental analyses conducted on Elazığ Cherry marble. A total of 2551 images were resampled into multiple resolutions ranging from 96x96 to 1024x1024 pixels and evaluated using three pre-trained architectures: ResNet50, Darknet53 and DenseNetV2. The findings demonstrate that low resolutions yielded accuracies within the 90–93% range, while intermediate resolutions (224x224 – 299x299) provided significant improvements, offering the optimal balance between accuracy and computational efficiency. At higher resolutions, performance gains became marginal; however, ResNet50 still achieved the highest accuracy of 96.10% at 1024x1024 resolution. The results highlight image resolution as a critical factor influencing not only visual quality but also classification accuracy, computational cost and model robustness against overfitting. Accordingly, this study contributes novel insights into resolution–architecture interactions and provides practical implications for the natural stone industry, delivering digital, objective and reproducible alternatives to traditional manual quality control practices.

Anahtar Kelimeler

• Image resolution
• Elazığ Cherry marble
• deep learning
• ResNet50
• image processing

Destekleyen Kurum

This study did not receive any financial support from any public, commercial, or non-profit funding organization.

Etik Beyan

This study does not require ethics committee approval.

Teşekkür

The authors would like to thank Alacakaya Marble Inc. for providing the data used in this study. This work was developed from a part of the doctoral thesis of the first author titled “Determination of Quality Metrics of Elazığ Cherry Marble Using Image Processing and Artificial Intelligence”

Kaynakça

1. Ulusoy, A. S., & Sevim, H. (2024). Fiziki mekânın fotogrametri ile dijitalleştirilmesinde görüntü sayısı ve çözünürlüğünün etkileri. PLANARCH - Design and Planning Research, 8(2), 260–269. https://doi.org/10.54864/planarch.1481269
2. İhracat Genel Müdürlüğü (2021). Doğal taşlar sektör raporu. https://ticaret.gov.tr/data/5b87000813b8761450e18d7b/Do%C4%9Fal%20Ta%C5%9Flar%20Sekt%C3%B6r%20Raporu%202021.pdf
3. Türkiye İhracatçılar Meclisi (2024). İhracatçi firmalarin kanuni merkezleri bazinda sektör ihracat performansi. https://tim.org.tr/tr/ihracat-rakamlari
4. Memiş, A., & Karabiber, F. (2016). Face recognition on mobile environment images using appearance based methods. 24th Signal Processing and Communication Application Conference (SIU), 169–172. https://doi.org/10.1109/siu.2016.7495704
5. Cerit, B., Bölük, S. A., & Demirci, M. F. (2016). Analysis of the effect of image resolution on automatic face gender and age classification. 24th Signal Processing and Communication Application Conference (SIU), 853–856. https://doi.org/10.1109/siu.2016.7495874
6. Kannojia, S. P., & Jaiswal, G. (2018). Effects of varying resolution on performance of CNN based image classification: An experimental study. International Journal of Computer Sciences and Engineering Open Access Research Paper, 6(9), 451–456. https://doi.org/10.26438/IJCSE/V6I9.451456
7. Qin, F., & Beckingham, L. E. (2019). Impact of image resolution on quantification of mineral abundances and accessible surface areas. Chemical Geology, 523, 31–41. https://doi.org/10.1016/j.chemgeo.2019.06.004
8. Sabottke, C. F., & Spieler, B. M. (2020). The effect of image resolution on deep learning in radiography. Radiology: Artificial Intelligence, 2(1). https://doi.org/10.1148/ryai.2019190015

9. Thambawita, V., Strümke, I., Hicks, S. A., Halvorsen, P., Parasa, S., & Riegler, M. A. (2021). Impact of image resolution on deep learning performance in endoscopy image classification: An experimental study using a large dataset of endoscopic images. Diagnostics, 11(12). https://doi.org/10.3390/diagnostics11122183
10. Ivanescu, R. C. (2022). A statistical evaluation of the preprocessing medical images impact on a deep learning network’s performance. Annals of the University of Craiova, Mathematics and Computer Science Series, 49(2), 411–421. https://doi.org/10.52846/AMI.V49I2.1641
11. Emekligil, F. G. A., & Öksüz, İ. (2022). Game character generation with generative adversarial networks. 30th Signal Processing and Communications Applications Conference (SIU). https://doi.org/10.1109/SIU55565.2022.9864747
12. Zhu, H., Wu, G., Wang, Z., Xu, M., Liu, Q., Liu, S., & Du, B. (2023). MTN: A multi-scale transformer network for different resolution remote sensing images change detection. IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2550–2557. https://doi.org/10.1109/SMC53992.2023.10394419
13. Thon, P. L., Than, J. C. M., Noor, N. M., Han, J., & Then, P. (2023). Investigation of ConViT on COVID-19 lung image classification and the effects of image resolution and number of attention heads. International Journal of Integrated Engineering, 15(3), 54–63. https://doi.org/10.30880/ijie.2023.15.03.005
14. Wollek, A., Hyska, S., Sabel, B., Ingrisch, M., & Lasser, T. (2023). Higher chest X-ray resolution improves classification performance. arXiv. https://doi.org/10.48550/arXiv.2306.06051
15. Rukundo, O. (2023). Effects of image size on deep learning. Electronics, 12(4). https://doi.org/10.3390/electronics12040985
16. Haque, M. I. U., Dubey, A. K., Danciu, I., Justice, A. C., Ovchinnikova, O. S., & Hinkle, J. D. (2023). Effect of image resolution on automated classification of chest X-rays. Journal of Medical Imaging, 10(4). https://doi.org/10.1117/1.jmi.10.4.044503
17. Liu, W., Zhu, F., Ma, S., & Liu, C.-L. (2024). MSPE: Multi-scale patch embedding prompts vision transformers to any resolution. The 38th Conference on Neural Information Processing Systems. https://doi.org/10.48550/arXiv.2405.18240
18. Benyahia, A., Benammar, A., Azzououm, A. B., Karmal, I., Belaout, A., & Araar, I. E. (2024). Impact of image resolution on convolutional neural networks for Alzheimer disease dataset classification: A ResNet study. 10th International Conference on Computing, Engineering and Design (ICCED), 1–6. https://doi.org/10.1109/ICCED64257.2024.10982809
19. Bacon, A. T., Alatrany, A. S., Topham, L., Kolivand, H., Khan, I., Hussain, A., & Khan, W. (2024). Computer vision-driven AI techniques for classification of animal species. 17th International Conference on Development in eSystem Engineering (DeSE), 60–65. https://doi.org/10.1109/DeSE63988.2024.10911884
20. Liu, H., Brailsford, T., & Bull, L. (2024). ResNet18 performance: Impact of network depth and image resolution on image classification. 8th International Conference on Advances in Artificial Intelligence, 351–356. https://doi.org/10.1145/3704137.3704173
21. Przybyła-Kasperek, M., Markuszewski, T., & Deja, R. (2025). Classifying light states in the Phasmophobia game. The impact of image resolution and preprocessing on multi-layer perceptron performance. Procedia Computer Science, 270, 1051–1060. https://doi.org/10.1016/j.procs.2025.09.226
22. Alenazi, M. M., & Alkhodair, A. J. (2025). A comparative study of state-of-the-art deep neural network on high-resolution medical images. 4th International Conference on Computing and Information Technology (ICCIT), 111–117. https://doi.org/10.1109/ICCIT63348.2025.10989485
23. Yavuz, M., & Türkoğlu, İ. (2025). Determination of the quality classes of Elazig cherry marble with image processing. Ain Shams Engineering Journal, 16(8). https://doi.org/10.1016/j.asej.2025.103455