Ali topal

MODİFİYE BİTÜMLERDE GÖRÜNTÜ ANALİZİ İLE
MODİFİYE EDİCİ KATKI TİPİ VE KATKI ORANININ
BELİRLENMESİ
Şevket GÜMÜŞTEKİN1, Ali TOPAL2, Burak ŞENGÖZ2
1 İzmir Yüksek Teknoloji Enstitüsü, Elektrik Mühendisliği Bölümü, İzmir
2 Dokuz Eylül Üniversitesi, İnşaat Mühendisliği Bölümü, İzmir

1

MODİFİYE BİTÜMLERDE GÖRÜNTÜ ANALİZİ İLE MODİFİYE
EDİCİ KATKI TİPİ VE KATKI ORANININ BELİRLENMESİ

Giriş
 Mikroskobi  Polimerlerin saf bitüm içindeki dağılım homojenliğinin kontrolü

 Sübjektif değerlendirmeler  Yetersiz bilgi

.

50
45

Polymer distribution area (%)

 Görsel değerlendirmeler
o Zengin bitüm fazı,
o Zengin polimer fazı
o Ara faz

40
35
*D kraton = 1.4257x2 - 1.2658x
30

2

R = 0.9518

25
20
15
10
5

 Kalite kontrolü  Laboratuvar deneyi ihtiyacı

0
0

1

2

3

4

5

6

7

Polymer content (% )
Regression analy sis between the p oly mer content and p oly mer distribution

Saf bitüm içerisinde polimer dağılım %’leri

2

Görüntü analizleri ile dokusal özelliklerin tanımlanması ve doku örneklerinin
sınıflandırılması yaygın bir çalışma alanı haline gelmiştir.


Bu amaçla kullanılan en önemli yöntemlerden biri, görüntülerin Gabor
süzgeçlerinden geçirildikten sonra, farklı ölçek ve yöne karşılık gelen süzgeç
tepkilerinin dokuyu tasvir eden öznitelikler olarak kullanılmasıdır.



Gabor süzgeçlerinin kullanıldığı çok sayıdaki doku analizi çalışmaları arasında;








İçerik tabanlı görüntü çıkarma,
Uzaktan algılama,
Hata sezme,
Biometrik tanıma,
Tıbbi görüntü analizi,
Nesne tanıma,
Yazı görüntüsü işleme,

gibi farklı uygulamalar yer almaktadır.

3


ANAFİKİR:
Bitüm içinde dağılan polimerin doku karakteristikleri PMB’ün fiziksel ve kimyasal
özellikleri ile doğrudan ilgilidir.
Farklı oranlarda Polimer katkı içeren PMB görüntüleri farklı doku karakteristiklerine
sahiptir.
AMAÇ:
Bitüm içinde dağılan polimerin tipi ve oranına bağlı olarak değişen doku
özelliklerinin görsel araçlarla değerlendirilmesi, sübjektif değerlendirmeleri
ortadan kaldırılabilmesi,
Bu özelliklerin Gabor süzgeçlerinden elde edilen öznitelikler yardımıyla kullanılması
ve bu sayede farklı katkı maddelerinin ve katkı oranlarının sadece görüntülerin
kullanılmasıyla sınıflandırılması hedeflenmiştir.

4


Kapsam
Bu çalışmada;

 PMB
 Farklı katkı maddeleri
 Farklı karışım oranları

Kraton®1101 (SBS-1)
Soltene®6302 (SBS-2)
Evatene®2805 (EVA-1)
Elvaloy®4170 (EVA-2)
Elvaloy®3427 (EBA)

% 2-6
% 2-6
% 3-7
% 1,5-1,75
% 2-6

 Optik mikroskopi
 3 farklı büyütme
 İnce kesit
 Yüksek çözünürlüklü
görüntü

 Doku Analizi
 GABOR süzgeçleri
 Öznitelikler
 Sınıflandırma

40×, 100×, 400×
100 * 5 * 3 = 1.500 Adet (Veri Kümesi)
12 * 5 * 3 = 180 Adet (Test kümesi)

A, B, C yöntemleri
36 Gabor özniteliği
En Yakın Komşuluk (KNN)

5

Doğada çok farklı doku tipleri vardır. Gözümüz bu doku farklılıklarını kolayca ayırt edebilir.
Bununla birlikte sadece gri renk tonlarını kullanarak bu dokuları sayısal olarak da ifade
etmek mümkündür. (Örn: koyu ya da açık piksel sayıları, gri seviye histogramı vb.)

Brodatz doku veritabanından farklı doku örnekleri

PMB doku örnekleri

6

EBA

EVA-1

EVA-2

400X

400X

400X

100X

100X

100X

40X

40X

40X

7


SBS-1

SBS-2

400X

400X

100X

100X

40X

40X

8


Doku Analiz Metodları
 Dijital görüntüleme ile doku analizi genellikle 4 farklı kategoride
–
–
–
–

Yapısal
İstatistiksel
Model-tabanlı
Dönüşüm tabanlı

 Bu çalışmada dönüşüm tabanlı model kullanılmıştır.
 Gabor dönüşümü
Gabor filtreleri insan görme sistemine benzer özellikler sergiler ve dokuların ifade
edilmesi ve ayrılması için uygun olabilecek bir yöntemdir.
Gabor filtreleri yönlendirilebilir ve ölçeklenebilir Gauss filtrelerinden oluşmaktadır.

9


Gabor filtrelerinin tasarlanması
 Bu uygulamada, Gabor filtreleri tamamen 2B frekans alanını kapsayacak
şekilde tasarlanmıştır.

 Şekil’de gösterilen görüntünün 3 farklı frekans aralığı ve 12 farklı yön için 36 farklı
filtreleme sonucu ortaya çıkan imgelerin genlik boyutları yer almaktadır.
 Her filtrenin görüntü üzerindeki tepkisi frekans karakteristiğine özgü sadece sinyal
içeriğini tanımlar.
10


Gabor filtrelerinin PMB görüntülerine uygulanması
PMB örneği üzerinde 12 farklı yönde (kolon) ve 3 farklı ölçekte (sıra)
Gabor filtrelerinin uygulanması sonuçları
I mn ( x , y ) 

  I (x 
p

p , y  q )G

*
mn

( x, y )

q

11


Gabor filtre tepkilerinden öznitelik vektörü elde edilmesi
 Gabor filtreleri M×N büyüklüğündeki I imgesi üzerinde uygulandığında (m,n) ölçek
ve yönüne karşılık gelen Gabor dönüşümü gerçekleştirilir. Burada “*” karmaşık
eşleniktir.
I mn ( x , y ) 

  I (x 
p

p , y  q )G

*
mn

( x, y )

q

 M×N (ölçek sayısı × yön sayısı) farklı görüntünün ortalama ve sapma değerleri
dokuların ifade edilmesini sağlamak amacıyla kullanılmaktadır *16+.


 mn 

x

(I

I mn ( x , y )

y

MN

 mn 

x

mn

( x , y )   mn )

2

y

MN

 Bu değerelerin bir araya getirilmesi ile öznitelik vektörü elde edilir .
F  {  00 , 

00

,  10 ,  10 ,...,  ( S 1 ) 0 , 

( S 1 ) 0

,....,  ( S 1 )( K 1 ) ,  ( S 1 )( K 1 ) }

 Vektör boyu: 72 (=2*M*N)
12


Öznitelik vektörleri arasındaki uzaklık
 İki öznitelik vektörü ( F ( i ) , F ( j ) ) arasındaki uzaklık standart sapma ile
normalize edilerek hesaplanır:

d (i , j ) 


m

n

 mn   mn
(i)

(



( j)

 ( m ,n )

m  0 ,1,..., S  1

 mn   mn
(i)

) (
2

  ( m ,n )

( j)

)

2

n  0 ,1,..., K  1

 Böylece iki doku örneğinin ne kadar benzer (ya da uzak) olduğunu nicel
olarak ifade edebiliriz

13


K-en yakın komşuluk (K-NN) sınıflandırması
 2B bir öznitelik uzayında farklı sınıflara ait uzaylar komşularının bilinen
sınıflarına göre sınıflandırılır:

 Sınıfı bilinmeyen bir örnek k komşu içinden en fazlasının üye olduğu sınıfa
ait olarak belirlenir ( eğer k=1 ise , en yakın komşunun sınıfı atanır )
 Bizim çalışmamızdaki öznitelik boyutu 72 B!

14


K-NN Yöntemi ile Doku Sınıflandırılması
 Bu çalışmada, k parametresinin 1-5 arası değerleri için hesaplanan
sonuçların ortalaması kullanılmıştır.
 K en yakın komşu sınıflandırması, leave one out çapraz doğrulama tekniği
kullanılarak PMB’ler üzerinde Gabor özniteliklerinin test edilmesinde
kullanılmıştır.
o Her bir grup örneği bilinen bir sınıfı, geri kalan görüntü örnekleri test
kümesi olarak kullanılır.
o Her bir görüntüden elde edilen öznitelikler ideal olarak aynı gruba ait
diğer 11 görüntüye çok yakın olmalıdır.
 K-NN sınıflandırması ile doğru olarak sınıflandırılan sorgu kümesi
oranı, sorgu sınıfının başarı oranı olarak kaydedilir.

15


ANALİZ
 Herhangi bir insan, PMB görüntülerinin fiziksel özelliklerini büyük ölçüde
ayırt edebilir.
 Bilgisayar ortamında fiziksel özellikleri ayırt edebilme işlemlerini otomatik
olarak gerçekleştirebilmek için görüntülere ait temel özellikleri ortak olan
sınıfların belirlenmesi gerekmektedir.
 Her bir polimer tipi ve içeriğinde hazırlanan PMB örneklerinden üç farklı
büyütme (40×, 100×, 400×) altında 12’şer (12x5x3=180) adet görüntü
alınmıştır.
 36 Gabor özniteliği olan bir veri kümesi hesaplamada kullanılmıştır.
 Her bir görüntüden elde edilen öznitelikler ideal olarak aynı gruba ait diğer
11 görüntüye çok yakın olmalıdır.

16


Gabor özniteliklerinin Sınıflandırmada kullanımı için testler
 Gabor özniteliklerinin bitüm görüntülerini ne kadar iyi ifade ettiğini belirlemek için
3 farklı test uygulanmıştır:
 Test 1: PMB örnekleri içinde farklı katkı oranlarına dair alt gruplara ait 12
görüntüden her birine ait öznitelik vektörü sırayla sorgulama amacıyla kullanılır.
Aynı yakınlaştırma derecesinde (400×, 100× veya 40×) görüntülenen tüm farklı
katkı oranlı görüntülerden elde edilen öznitelikler sorgulamada kullanılır.
 Test 2: Katkısız ve katkılı tüm görüntüler içinden (Farklı büyütmeler için toplam 300
görüntü arasından) her bir görüntü için sorgulama yapılır. Bir sınıfa ait 12
görüntünün ortalama K-NN sınıflandırma başarısı, sınıfın ortalama başarısı olarak
kaydedilir.
 Test 3: Katkısız ve katkılı tüm görüntüler ana gruplarda birleştirilir ve
(Katkısız, EBA, EVA ve SBS) her bir görüntü için sorgulama yapılır. O gruba ait N
görüntünün ortalama K-NN başarısı grubun ortalama başarısı olarak kaydedilir.

17


ANALİZ SONUÇLARI
SBS-1 içindeki sorgulama sonuçları
Polymer
tipi

İçerik
(%)

400×

100×

40×

A
B
C
A
B
C
A
B
C
(%) (%) (%) (%) (%) (%) (%) (%) (%)
100 100 100 100 100 100

82

82

82

3
SBS-1

2

90

92

92

100 100 100

97

100

97

4

40

15

15

80

78

85

62

43

78

5

87

78

85

55

52

47

88

90

92

6

85

83

85

93

90

97

95

87

88

Ort

80

74

75

86

84

86

85

80

87

100X için SBS-1 görüntülerinin
GPLVM yöntemi ile 72den 2ye
indirgenmiş öznitelik uzayında yerleşimi

18

400×

Polimer
tipi

100×

40×

75

75

75

70

70

98

100

88

88

97

98

90

90

90

4

82

72

75

57

82

95

90

88

90

77

100 100

83

77

83

92

100 100

95

90

95

88

100

98

55

73

73

18

18

18

80

78

70

43

40

42

4

88

88

88

20

20

23

58

58

58

5

30

58

67

75

92

92

68

82

85

6

88

83

87

100 100 100

85

85

72

7

97

92

100

67

60

68

92

93

97

0.5

18

18

18

18

18

18

48

48

37

1

60

60

60

97

97

97

10

10

12

1.5

72

72

71

73

73

73

20

20

15

1.75

98

98

98

65

65

65

30

30

17

2

27

25

27

58

58

58

22

22

8

3

78

78

83

100 100 100

95

98

93

4

42

15

7

50

52

33

48

45

67

5

82

83

83

43

42

30

45

42

43

6

82

82

83

75

75

82

70

55

78

2

50

52

52

87

82

87

98

97

92

3

43

42

33

83

78

83

85

83

80

4

90

90

90

80

82

83

65

68

68

5

45

35

40

100 100 100

75

78

60

6

60

87

72

93

83

88

75

75

67

68

69

69

72

73

74

65

66

65

ANALİZ SONUÇLARI

75

3

EBA

90

6

EVA-1

88

5

ElVA-2

90

3

SBS-1

A
(%)

2

SBS-2

İçerik

Ortalama

B
C
A
B
C
A
B
C
(%) (%) (%) (%) (%) (%) (%) (%)

400X ölçekleme durumunda tüm PMB
örneklerinin, GPLVM yöntemi ile 72den 2ye
indirgenmiş öznitelik uzayında yerleşimi

19


ANALİZ SONUÇLARI
400×

100×

40×

A
(%)

B
(%)

C
(%)

A
(%)

B
(%)

C
(%)

A
(%)

B
(%)

C
(%)

Saf

87

87

87

38

38

38

100

100

100

EBA

93

93

91

89

95

95

71

74

66

EVA

97

97

98

92

92

92

93

94

94

SBS

90

90

90

95

95

95

88

88

88

Ortalama

Matris

Polimer Tipi

92

92

91

78

80

80

88

89

87

400×
Yöntem A

100×
Yöntem B

Tüm modifiye bitüm
görüntülerinden sınıf
sorgulama sonuçları

40×
Yöntem C

Saf
(%)

EBA
(%)

EVA
(%)

SBS
(%)

Base
(%)

EBA
(%)

EVA
(%)

SBS
(%)

Base
(%)

EBA
(%)

EVA
(%)

SBS
(%)

Saf

87

0

13

0

38

2

42

18

100

0

0

0

EBA

0

93

3

4

0

95

4

1

0

66

31

3

EVA

0

1

97

2

1

2

92

5

0

4

94

2

SBS

0

1

9

90

0

0

5

95

0

0

12

88

Üç farklı büyütme derecesi
ve test kombinasyonu için
karşılaştırma matrisi:
Her bir satır atanan
sınıfların bir sorgu sınıfı ve
yüzdesini temsil eder.

20


SONUÇLAR
 Mikroskop altında farklı yakınlaştırma derecelerinde görüntülenen PMB
görüntüleri üzerinde üç farklı test uygulanmıştır.
 Bu testler örneklerin gruplandırması ve sorgulama uzayının büyüklüğü açısından
birbirinden farklıdır.
 Test sonuçları, uygun yakınlaştırma derecesi ve yöntem seçildiği takdirde bitüm
görüntülerinin büyük ölçüde doğru olarak sınıflandırılabildiğini göstermiştir.
 Mekanik bir test uygulamadan sadece görüntüler üzerinde kısa zamanda
uygulanabilen bu testler sayesinde denetleme ve kalite kontrolü gibi uygulamalar
oldukça güvenilir bir şekilde kolayca gerçekleştirilebilir.
 Örnek fotoğrafların gösterildiği görüntülerden de görülebileceği gibi birbirinden
görsel olarak kolayca ayrılabilen sınıflara ait örneklerde doğru sınıfa atama
başarımının fazla olduğu, diğer sınıflara görsel benzerlik gösteren sınıflar için ise
başarım yüzdesinin düşük olduğu görülmüştür.

21


SONUÇLAR
 Nitel yaklaşımla uyumlu olduğu görülen nicel sonuçlarımız, doku analizi kullanarak
hangi sınıflar için güvenilir bir otomatik sorgulama yapılabileceğini göstermektedir.
 Üç farklı test uygulanmış, birinci testte her bir katkı maddesinin farklı oranlarda
eklendiği grup içinde dokusal özelliklerin katkı oranını tespit etmek için ne kadar
faydalı olduğu araştırılmıştır. Bazı katkı türleri ve yaklaştırma faktörleri için bu testin
%100’e yakın doğru sonuç verdiği görülmüştür.
 İkinci testte bütün katkı maddeleri ve katkı oranları birlikte incelenmiş, bazı
durumlar için dokusal özelliklerin çok ayırıcı olduğu görülmüştür.
 Üçüncü test katkı sınıflarının birbirinden ne kadar ayrık olduğunu göstermektedir.
 Gabor öznitelikleri kullanılarak PMB görüntülerinin dokusal özellikleri
incelendiğinde bitüme eklenen katkı maddelerinin ve bu maddelerin hangi oranda
eklendiğinin algılanmasının büyük ölçüde mümkün olduğu görülmüştür.
 Gabor süzgeçlerinden elde edilen öznitelikler PMB örnekleri üzerinde otomatik
olarak sınıflandırma amacıyla kullanılabilecektir.

22


Teşekkürler..
Çalışma, 104M559 No’lu Türkiye Bilimsel ve Teknolojik Araştırma Kurumu
tarafından desteklenmiştir.
Şevket GÜMÜŞTEKİN1, Ali TOPAL2, Burak ŞENGÖZ2
1 İzmir Yüksek Teknoloji Enstitüsü, Elektrik Mühendisliği Bölümü, İzmir
2 Dokuz Eylül Üniversitesi, İnşaat Mühendisliği Bölümü, İzmir
E-Posta: sevketgumustekin@iyte.edu.tr
E-Posta: ali.topal@deu.edu.tr
E-Posta: burak.sengoz@deu.edu.tr

23

Ali topal

Recommended

Recommended

More Related Content

More from valorkongre

More from valorkongre (20)

Ali topal