BİTKİSEL TABAKLANMIŞ KOYUN DERİLERİNDE TANEN FORMÜLASYONLARININ RGB YÜZEY GÖRÜNTÜLERİ VE DERİN ÖĞRENME İLE SINIFLANDIRILMASI

Öz

Bu çalışma, bitkisel tabaklanmış koyun derilerinde tanen formülasyonlarının standartlaştırılmış RGB yüzey görüntüleri ve evrişimli sinir ağları kullanılarak ayırt edilme potansiyelini incelemektedir. Deneysel tasarımda iki tanen ailesinden toplam 26 formülasyon kullanılmıştır: mimoza, kebrako ve çam esaslı kondanse formülasyonlar ile valeks, kestane ve mazı esaslı hidrolize formülasyonlar. Canon EOS 760D ile alınan görüntüler ön plan ayrımı sonrasında 15.600 adet 200 × 200 px deri yüzey yamasına dönüştürülmüştür. ImageNet ağırlıklarıyla başlatılan ResNet-18 ve EfficientNet-B0 modelleri 26 sınıflı sınıflandırma için eğitilmiş; K numunesinden gelen yamalar model geliştirme, bağımsız T numunesinden gelen yamalar ise nihai test amacıyla kullanılmıştır. ResNet-18 K-doğrulama aşamasında 0,960 makro-F1 değerine, bağımsız T-test setinde ise %25,1 doğruluk ve 0,225 makro-F1 değerine ulaşmıştır. EfficientNet-B0 için bu değerler sırasıyla 0,927, %27,2 ve 0,240 olarak hesaplanmıştır. Performans değerleri 26 sınıflı rastgele tahmin düzeyinin üzerinde olmakla birlikte, K-doğrulama ve T-test sonuçları arasındaki belirgin fark bağımsız tekerrür kaynaklı alan değişimini ortaya koymaktadır. Sonuçlar, bitkisel tanen kimyasının deri yüzeyinde ölçülebilir görsel izler bırakabildiğini; ancak yalnız RGB yamalarıyla bağımsız numunelerde kesin 26 sınıflı formülasyon tanımanın sınırlı kaldığını göstermektedir.

Anahtar Kelimeler

• koyun derisi
• bitkisel tabaklama
• tanen formülasyonu
• evrişimli sinir ağı
• görüntü işleme
• veri sızıntısı

Destekleyen Kurum

Destekleyen Kuruluş Bulunmamaktadır.

Etik Beyan

Çalışma insan katılımcı, kişisel veri veya canlı hayvan deneyi içermediğinden etik kurul izni gerektirmemektedir.

CLASSIFICATION OF TANNIN FORMULATIONS IN VEGETABLE-TANNED SHEEP LEATHER USING RGB SURFACE IMAGES AND DEEP LEARNING

Öz

This study investigates the potential of discriminating tannin formulations in vegetable-tanned sheep leather using standardized RGB surface images and convolutional neural networks. A total of 26 formulations from two tannin families were examined: condensed formulations based on mimosa, quebracho, and pine, and hydrolyzable formulations based on valonea, chestnut, and gallnut. Images acquired with a Canon EOS 760D were segmented to remove the background and converted into 15,600 leather surface patches of 200 × 200 px. ResNet-18 and EfficientNet-B0 models initialized with ImageNet weights were trained for 26-class classification. Patches from the K sample were used for model development, whereas patches from the independent T sample were reserved exclusively for final testing. ResNet-18 achieved a validation macro-F1 of 0.960 on K samples and 25.1% accuracy with a macro-F1 of 0.225 on the independent T-test set. EfficientNet-B0 achieved a validation macro-F1 of 0.927 and 27.2% accuracy, with a macro-F1 of 0.240 on the independent test set. Although both models performed above random expectation for a balanced 26-class task, the marked decrease from K-validation to T-test performance indicated a pronounced replicate-domain shift. The findings demonstrate that vegetable tannin chemistry can leave measurable visual traces on the leather surface; however, exact 26-class formulation recognition using only RGB patches remains limited under independent sample replication.

Anahtar Kelimeler

• sheep leather
• vegetable tanning
• tannin formulation
• convolutional neural network
• image processing
• data leakage

Destekleyen Kurum

No supporting organization has been identified.

Etik Beyan

Since the study does not involve human participants, personal data, or animal testing, it does not require ethics committee approval.

Kaynakça

1. Bienkiewicz, K., (1983), Physical Chemistry of Leather Making, Krieger Publishing Company, Malabar, Florida, USA. http://ci.nii.ac.jp/ncid/BA7835197X
2. Covington, A.D., (1997), Modern tanning chemistry, Chemical Society Reviews, 26(2), 111-126. doi:10.1039/CS9972600111.
3. Covington, A.D., (2009), Tanning Chemistry: The Science of Leather, Royal Society of Chemistry, Cambridge, UK. https://doi.org/10.1039/9781839168826
4. Falcão, L., Araújo, M.E.M., (2018), Vegetable tannins used in the manufacture of historic leathers, Molecules, 23(5), 1081. doi:10.3390/molecules23051081.
5. Kanth, S.V., Venba, R., Madhan, B., Chandrababu, N.K., Sadulla, S., (2009), Cleaner tanning practices for tannery pollution abatement: Role of enzymes in eco-friendly vegetable tanning, Journal of Cleaner Production, 17(5), 507-515. doi:10.1016/j.jclepro.2008.05.004.
6. Pizzi, A., (2008), Tannins: Major sources, properties and applications, In: Belgacem, M.N., Gandini, A. (Eds.), Monomers, Polymers and Composites from Renewable Resources, Elsevier, Amsterdam, 179-199. https://doi.org/10.1016/b978-0-08-045316-3.00008-9
7. Zengin, G., Tekin, Y., Adıgüzel Zengin, A., (2016), Saraciyelik derilerde yağlayıcı akrilik polimerin yaşlanma üzerine etkisi, Tekstil ve Mühendis, 23(101), 33-43. http://dx.doi.org/10.7216/1300759920162310104
8. Aldemir, E., Özdemir, H., Kılınç, S., (2016), Kumaş sıklıklarının görüntü işleme teknikleri ile otomatik olarak belirlenmesi, Tekstil ve Mühendis, 23(104), 247-262. doi:10.7216/1300759920162310402.

9. Telli, A., & Özkan, İ. (2018). Görüntü İşleme Teknikleri ile Örme Kumaşlardaki Boncuklanma Direncinin Objektif Ölçümü. Tekstil Ve Mühendis, 25(112), 313-318. https://izlik.org/JA72LM52DR
10. Gültekin, E., Çelik, H. İ., Dülger, L. C., Sünbül, H. İ., & Kani, H. (2019). Image Processing Applications on Yarn Characteristics and Fault Inspection. Tekstil Ve Mühendis, 26(116), 340-345. https://izlik.org/JA92SX42BD
11. Gültekin, E., Çelik, H. İ., Civan, H. N., & Satıl, E. A. (2020). Spunlace (Su Jeti ile Bağlama) Teknolojisi ile Üretilen Dokusuz Yüzeylerin Morfolojik Özelliklerinden Bazı Performans Özelliklerinin Yapay Zeka ile Tahminlenmesi. Tekstil ve Mühendis, 27(119), 130-143. https://izlik.org/JA25XS37NG
12. Talu, M. F. (2021). Automatic measurement of shrinkage rate in denim fabrics after washing. Tekstil Ve Mühendis, 28(123), 191-198. https://izlik.org/JA72GF59AG
13. LeCun, Y., Bengio, Y., Hinton, G., (2015), Deep learning, Nature, 521(7553), 436-444. doi:10.1038/nature14539. https://doi.org/10.1038/nature14539
14. He, K., Zhang, X., Ren, S., Sun, J., (2016), Deep residual learning for image recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778, 27-30 June 2016, Las Vegas, NV, USA. doi:10.1109/CVPR.2016.90.
15. Tan, M., Le, Q.V., (2019), EfficientNet: Rethinking model scaling for convolutional neural networks, Proceedings of the 36th International Conference on Machine Learning, Proceedings of Machine Learning Research, 97, 6105-6114, 9-15 June 2019, Long Beach, CA, USA. https://doi.org/10.48550/arxiv.1905.11946
16. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L., (2009), ImageNet: A large-scale hierarchical image database, 2009 IEEE Conference on Computer Vision and Pattern Recognition, 248-255, 20-25 June 2009, Miami, FL, USA. doi:10.1109/CVPR.2009.5206848.
17. Yagis, E., Atnafu, S.W., García Seco de Herrera, A., Marzi, C., Scheda, R., Giannelli, M., Tessa, C., Citi, L., Diciotti, S., (2021), Effect of data leakage in brain MRI classification using 2D convolutional neural networks, Scientific Reports, 11, 22544. doi:10.1038/s41598-021-01681-w.
18. Ork Efendioglu, N., Temel, E., (2023), Practically comparison of some mechanical standard test methods for leather and textile, Journal of Engineering Sciences and Design, 11(4), 1568-1579. doi:10.21923/jesd.1196657.
19. Shorten, C., Khoshgoftaar, T.M., (2019), A survey on Image Data Augmentation for Deep Learning, Journal of Big Data, 6, 60. doi:10.1186/s40537-019-0197-0.
20. Loshchilov, I., Hutter, F., (2019), Decoupled Weight Decay Regularization, 7th International Conference on Learning Representations (ICLR 2019), 6-9 May 2019, New Orleans, LA, USA. https://doi.org/10.48550/arxiv.1711.05101
21. Loshchilov, I., Hutter, F., (2017), SGDR: Stochastic Gradient Descent with Warm Restarts, International Conference on Learning Representations (ICLR 2017), 24-26 April 2017, Toulon, France. https://doi.org/10.48550/arxiv.1608.03983
22. Sokolova, M., Lapalme, G., (2009), A systematic analysis of performance measures for classification tasks, Information Processing & Management, 45(4), 427-437. doi:10.1016/j.ipm.2009.03.002.