Geri Dön

Derin öğrenme kullanılarak tekstil desenlerinin sınıflandırılması

Classification of textile patterns using deep learning

PDF İndir

  1. Tez No: 826736
  2. Yazar: ERHAN ERDOĞAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ RIFAT AŞLIYAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Tekstil Desenlerinin Sınıflandırılması, Destek Vektör Makineleri, C4.5 Karar Ağacı, AlexNet, VGGNet, Classification of Textile Patterns, Support Vector Machines, C4.5 Decision Trees, AlexNet, VGGNET
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Aydın Adnan Menderes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Amaç: Bu çalışma, derin öğrenme metotları kullanılarak tekstil deseni görsellerinin sınıflandırılması amacıyla yapılmıştır. Materyal ve Yöntem: Bu çalışmada tekstil desenlerinin sınıflandırması için K-En Yakın Komşu, Destek Vektör Makineleri, C4.5 Karar Ağaçları, Çok Katmanlı Algılayıcılar, Rastgele Orman ve derin öğrenme algoritmalarından AlexNet ve VGGNet 16 metotları kullanılmıştır. Sistemlerin değerlendirilmesinde puantiyeli, ekose, çiçekli, 135-derece çizgili, yatay çizgili, dikey çizgili ve 45-derece çizgili olmak üzere 7 sınıfa ayrılmış toplam 420 adet renkli ve gri-tonlamalı tekstil görüntüsünden oluşan tekstil veri seti kullanılmıştır. 350 görüntüye sahip eğitim veri seti ile sistemlerin eğitilmesi sağlanmış ve 70 görüntüye sahip test veri seti ile de sistemlerin başarıları test edilmiş ve sistemler karşılaştırılmıştır. Eğitim veri setindeki her sınıf içinde 50 görüntü bulunurken, test veri setinin her sınıfında 10 görüntü vardır. Bulgular: Sistemlerin değerlendirilmesinde, sınıflandırılmada kullanılan en önemli metriklerden Doğruluk ve F1-ölçüsü kullanılmıştır. Sınıflandırma işlemi için ilk olarak görüntülerin hepsi gri-tonlamalı görüntülere dönüştürülmüştür. Sonra, görüntülerin gürültülerden temizlenmesi için Wiener filtresi uygulanıp Sobel kenar filtresi kullanılarak görüntülerin kenarları tespit edilmiştir. Böylece görüntülerdeki tekstil desenlerinin siyah-beyaz olarak kenar tespiti yapılmıştır. Her bir görüntünün özniteliklerini hesaplamak için 3x3 boyutlarındaki çekirdek matrislerinin görüntüdeki frekansları kullanılmış ve görüntülerin 15 özniteliği çıkarılmıştır. Çıkarılan öznitelikler 0-1 aralığına normalize edilerek 420 görüntünün 15 özniteliği“arff”formatında olacak şekilde veri seti oluşturulmuştur. WEKA yazılımı kullanılarak“arff”formatındaki veri setindeki örnekler eğitilerek test edilmiştir. F1-ölçüsüne göre elde edilen en başarılı sonuçlar, K-En Yakın Komşu, Destek Vektör Makineleri, Çok Katmanlı Algılayıcı, C4.5 Karar Ağaçları, Rastgele Orman, AlexNet ve VGGNet 16 metotlarıyla sırasıyla yaklaşık %85, %88, %87, %91, %92, %97 ve %98 olmuştur. Sonuç: Bu çalışmayla tekstil deseni görüntülerinin sınıflandırılmasında derin öğrenme algoritmalarından AlexNet ve VGGNET16 metotları ile başarı çok büyük oranda artırılmıştır. Sınıflandırma metotlarıyla elde edilen sonuçlara göre VGGNET16 ağı diğer yöntemlerden çok daha başarılı olduğu gösterilmiştir.

Özet (Çeviri)

Objective: This study has been performed to categorize textile images using deep learning methods. Material and Methods: In this study, K-Nearest Neighbor, Support Vector Machines, C4.5 Decision Trees, Multilayer Perceptrons, Random Forest and deep learning algorithms AlexNet and VGGNet 16 techniques have been used for the categorization of the textile images. The textile data set which consists of a total of 420 color and gray-scale textile images has been divided into seven categories as spotted, plaided, flowery, 135-degree striped, horizontal striped, vertical striped and 45-degree striped images. For the system evaluations, the systems were trained with training dataset which includes 350 images. After that the system achievements were tested and compared with each other. Every class in the training dataset has fifty images while each class in the test dataset has ten images. Results: Accuracy and F1-measure, which are the most important metrics in the categorizations, have been employed for the evaluation of the systems. For the categorization stage, all images were transformed to gray-scale images. Then, the edges of the images were detected by applying the Wiener filter and using the Sobel filter to reduce the noise from the images. Therefore, the edge detection of the textile patterns in the images has been carried out with the black and white images. The frequencies of the 3x3 kernel matrices in the image have been utilized to detect the features of each image and fifteen features of the images have been extracted. The features were normalized to the ranges between zero and one, and a dataset was created with 15 features of 420 images in“arff”format. The samples in the dataset in the“arff”format were trained and tested using WEKA artificial intelligence software. According to the F1-score, the most successful results have been obtained about 85%, 88%, 87%, 91%, 92%, 97% and 98% for the K-Nearest Neighbor, Support Vector Machines, Multilayer Perceptron, C4.5 Decision Trees, Random Forest, AlexNet and VGGNet 16 methods respectively. Conclusions: With this study, the system success of the textile image classification has been greatly enhanced with the AlexNet and VGGNET16 techniques, which are the algorithms of deep learning. According to the results obtained with the classification methods, the VGGNET16 network is much more accomplished than the other methods.

Benzer Tezler

  1. Tez No

    706271

    Objective measurement of fabric softness and pilling using hand crafted features and deep learning

    Manüel öznitelik çıkarımı ve derin öğrenme kullanılarak kumaş yumuşaklığı ve boncuklanma değerlerinin objektif bir şekilde ölçülmesi ve sınıflandırılması

    SEYMUR MAMMADLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Modelleme ve Simülasyon Ana Bilim Dalı

    PROF. DR. AHMET OĞUZ AKYÜZ

  2. Tez No

    869137

    Tekstil üretiminde derin öğrenme tabanlı otomatik hata tespit sistemi

    Deep learning based automatic defect detection system in textile production

    AHMET METİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAYDAR ÖZKAN

  3. Tez No

    818572

    Bir tekstil fabrikasının elektrik tüketim değerlerinin derin öğrenme ile tahminlenmesi

    Estimating the electric consumption values of a textile factory with deep learning

    HAKAN YURDOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER GÜLEÇ

  4. Tez No

    895410

    Gesture recognition and customization on textile-based pressure sensor array

    Tekstil tabanlı basınç sensörü dizisinde hareket algılama ve kişiselleştirme

    İLKNUR ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE

  5. Tez No

    771378

    Deep learning based fabric defect detection

    Derin öğrenme temelli kumaş hatası tespiti

    YAVUZ KAHRAMAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiGaziantep Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPTEKİN DURMUŞOĞLU

Geri Dön