Image processing for surface texture pattern classification
Yüzey doku örüntüsü sınıflandırma amaçlı görüntü işleme
- Tez No: 647382
- Danışmanlar: PROF. DR. ÖMER NEZİH GEREK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Anadolu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 63
Özet
Klasik örüntü sınıflandırma sistemleri genellikle tüm sınıflardan özniteliklerin çıkarıldığı ikili sınıflandırma metodlarını kullanır. Son derece farklı arıza türlerini içeren hata tespiti gibi durumlarda bu tür ikili sınıflandırıcılar veri miktarında dengesizlik sorunu yaşarlar. Bu tür problemlerde eğer önceden rastlanmamış tür bir hata verisi ile karşılaşılırsa ikili sınıflandırıcılar belirsizlik ve hataya mahkumdur. Tek sınıflı sınıflandırıcılar, yalnızca normal sınıfa ait örneklerle eğitilerek bu sorunu aşabilmektedir. Bu tezde hatalı örnek sayısına bağlı olarak ikili ve tek sınıflı sınıflandırıcıların kapsamlı bir karşılaştırması gerçek veriler üzerinde sunularak ampirik değerlendirme yapılmaktadır. Farklı tek sınıflı yöntemler farklı ikili sınıflandırıcılar ile karşılaştırıldığında hata vektörlerinin öznitelik uzayında dağınık olması durumunda tek sınıflı sınıflandırıcının ikili sınıflandırıcıya göre çok ciddi miktarda performans avantajı elde ettiği deneysel olarak gözlenmiştir. Tek sınıflı sınıflandırıcı performansı tüm hata türleri için stabil kalmaktadır.
Özet (Çeviri)
Conventional pattern classification systems have mostly employed binary classification methods where training features are extracted from multiple classes. This approach faces a challenge when it comes to systems which deal with imbalanced distribution of class samples, a typical characteristic of defect detection systems where there also exists a wide spectrum of possible defects. Using binary classifiers in such a scenario is bound to introduce uncertainties with respect to classifier performance as defects which had not been used in the training stage are encountered. One class classifiers have been proposed to overcome this challenge by using only normal samples to train the classifier. This thesis provides a comprehensive analysis of one class (i.e. unitary) classification to provide an empirical evaluation of the effects of defect spectrum in the feature space. Different unitary classifiers were compared to common binary classifiers and experimental results showed significant instability in the performance of the binary classifiers when classes occupy different regions in the feature space relative to the training classes. The performance of unitary classifiers was stable in all defect type scenarios.
Benzer Tezler
- Yapay zeka örüntü tanıma algoritması kullanarak sınıflandırma otomasyonunun tasarımı
Classification automation design using an artificial intelligence pattern recognition algorithm
HAYRETTİN TOYLAN
Doktora
Türkçe
2012
Makine MühendisliğiTrakya ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HİLMİ KUŞÇU
- Doğal taş karolarının görüntü işleme ve makine öğrenmesi teknikleri ile sınıflandırılması
Classification of natural stone tile with image processing and machine learning technique
MUSTAFA TEMİZ
Yüksek Lisans
Türkçe
2018
İşletmeSivas Cumhuriyet ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. OĞUZ KAYNAR
- Makina halılarının yapısal özellikleri ile mekanik etkiler karşısındaki davranış özellikleri üzerine bir araştırma
The physics of woven carpets
ÖMER BERK BERKALP
Yüksek Lisans
Türkçe
1997
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMEL ÖNDER
- Uydu görüntü verileri ve V-I-S model kullanılarak kentsel ekolojik fonksiyonun mekansal-zamansal analizi
Spatial temporal analysis of urban ecological function by using satellite image data and V-I-S model
CEMRE ÖZTÜRK
Yüksek Lisans
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Markov ve Gibbs rastlantı alan modelleri ile doku sentezleme ve sınıflandırma
Texture synthesis and classification using Markov and Gibbs random field models
ERDOĞAN CAMCIOĞLU
Yüksek Lisans
Türkçe
1990
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. ERDAL PANAYIRCI