Result: Desen derin öğrenme tabanlı doğaltaş sınıflandırıcı tasarımı

Mermer, doğadan çıkarıldıktan sonra ticari olarak kullanılabilen en eski inşaat malzemelerinden biri olup, estetik ve sağlam yapısı sayesinde iç ve dış cephe kaplamalarında yaygın olarak kullanılmaktadır. Mermer plakalarının kalite sınıflandırması, dayanıklılık, cilalama oranı, renk homojenliği ve doku gibi teknolojik ve görsel parametrelere dayanarak yapılmaktadır. Bu sınıflandırma işlemi genellikle üretim hattının sonunda uzmanlar tarafından görsel olarak gerçekleştirilmekte ve uzmanların subjektif değerlendirmelerine bağlı olarak değişiklik gösterebilmektedir. Bu sınıflandırma işleminin doğruluğunu ve tutarlılığını olumsuz etkilemektedir. Gerçekleştirilen tez çalışmasında bu amaç doğrultusunda, Türkiye'nin Mersin-Erdemli bölgesinden elde edilen bir mermer türüne ait üç farklı desen sınıfının kalite seviyesini sınıflandırmak için özgün bir veriseti oluşturulmuştur. Çalışmada, enerji öznitelik katmanlarıyla atlama bağlantılarına sahip öznitelik katmanları (TCNN), görüntü sınıflandırmada yaygın olarak kullanılan AlexNet, ResNet ve DenseNet mimarilerine eklenerek sırasıyla AlexNet-TCNN, ResNet-TCNN ve DenseNet-TCNN olarak adlandırılan üç yeni model geliştirilmiştir. Geliştirilen modeller, ImageNet veriseti ile önceden eğitilmiş ve elde edilen ağırlıklar mermer sınıflandırma modellerine transfer edilmiştir. Tek tek eğitilen bu üç modelin test çıktılarının ortalamasını hesaplayan topluluk öğrenme tabanlı bir derin öğrenme modeli ile mermer kalitesini belirleyen nihai sonuçlar elde edilmiştir. Tez çalışmasında Kapsam Elektromekanik tarafından hazırlanan bir mermer plaka sınıflandırma makinesine bu derin öğrenme modelleri eklenerek mermer sınıflandırma sürecini daha objektif, tutarlı ve verimli hale getirmek hedeflenmiştir. Sonuçlar, geliştirilen TCNN modellerinin mermer kalitesini değerlendirme ve sınıflandırmada yüksek performans gösterdiğini ortaya koymaktadır.
Marble, one of the oldest commercially used construction materials, is widely employed in interior and exterior cladding due to its aesthetic appeal and durable structure. The quality classification of marble slabs is based on technological and visual parameters such as durability, polish rate, color uniformity, and texture. However, this classification process is typically conducted visually by experts at the end of the production line and is subject to variations depending on the subjective evaluations of these experts. This situation negatively impacts the accuracy and consistency of the classification process. In this thesis, an original dataset was created to classify three different pattern quality levels of a type of marble obtained from the Mersin-Erdemli region of Turkey. The study developed three novel models named AlexNet-TCNN, ResNet-TCNN, and DenseNet-TCNN by integrating feature layers with skip connections into commonly used image classification architectures such as AlexNet, ResNet, and DenseNet. These models were pre-trained on the ImageNet dataset, and the obtained weights were transferred to the marble classification models. Final results determining marble quality were achieved through an ensemble learning-based deep learning model that averaged the test outputs of these individually trained models. Within the scope of the thesis, these deep learning models were integrated into a marble slab classification machine developed by Kapsam Electromechanical, aiming to make the marble classification process more objective, consistent, and efficient. The results demonstrate that the developed TCNN models exhibit high performance in assessing and classifying marble quality.