Ahşaptaki Budak Görüntülerinin Yapay Sinir Ağları Kullanılarak Sınıflandırılması

Transkript

1 Ahşaptaki Görüntülerinin Yapay Sinir Ağları Kullanılarak Sınıflandırılması İbrahim Çetiner 1 A. Ali Var 2 Halit Çetiner 3 1 SDÜ., Keçiborlu MYO., Motorlu Araçlar ve Ulaştırma Teknolojileri Bölümü, Isparta, Türkiye 2 SDÜ., Orman Fakültesi, Orman Endüstri Mühendisliği Bölümü, Isparta, Türkiye 3 SDÜ., Keçiborlu MYO., Bilgisayar Teknolojileri Bölümü, Isparta, Türkiye 1 cetiner51@gmail.com 2 alivar@sdu.edu.tr 3 halitcetiner@sdu.edu.tr Özet Son zamanlarda özellikle ağaç zengini ülkelerde otomatik budak sınıflandırma yöntemleri ve sistemlerinin geliştirilmesi ve araştırmalarında büyük bir artış bulunmaktadır. Bu artışın ana sebeplerinden bir tanesi ağaçlardan elde edilen ahşaplarda bulunan budaklardır. lar ahşapların kalitesini belirlemede en önemli bileşenlerden biridir. Bu bileşenlerin, bir uzman tarafından farklı budak tiplerine göre sınıflara ayrılması çok büyük bir zaman kaybı ve başarısızlık meydana getirmektedir. Bu sorunu ortadan kaldırabilmek için bu çalışmada, yapay sinir ağları kullanılarak, ahşap döşeme tahtalarındaki budakların sınıflandırılması amaçlanmıştır. Bunun için ilk olarak, iki boyutlu ayrık dalgacık yöntemi ile budak görüntülerinin öznitelikleri çıkartılmıştır. Sonrasında bu öznitelikler, geri yayılımlı çok katmanlı yapay sinir ağları ile sınıflandırılmıştır. Öznitelik çıkartılmasında Haar, Daubechies db, Bior, Coif, Symlet tipi dalgacık eğitim yöntemleri kullanılmış ve bunların sınıflandırmaya olan etkileri belirlenmiştir. Kullanılan yöntemler ile sınıflandırma oranı en yüksek seviyeye çıkarılmaya çalışılmış, aynı zamanda endüstri uygulamalarında hesaplama zamanının önemi göz önünde bulundurularak işlem süresi bakımından incelemelerde yapılmıştır. 1. Giriş Endüstride sayısal aygıtların kullanımının artması ile birlikte gerçek hayattaki örneklerden elde edilmiş olan görüntüler üzerinde var olan varlıkların bilgileri hakkında anlamsal, sezgisel bir bilgi çıkarma konusu önemini gün geçtikçe daha çok artırmaktadır. Literatürde bu noktada yapılan çalışmaları inceleyerek elde edilen sonuçlar analiz edildiğinde; insanda var olan özelliklerin detaylı bir haritası çıkarılarak taklit edildiği gözlenmiştir. İnsandaki algılama sisteminin makinalara uyarlandığı görülmektedir. Ancak, bu uyarlamalar dikkat edildiğinde tam anlamıyla istenen ölçüde verilemediği fark edilmiştir [1]. Bilgisayar ve iletişim teknolojilerinin geliştiği günümüzde teknolojik aygıtlara insandaki özelliklerinin küçük bir kısmını kazandırabilmek için çok fazla akademisyen tarafından gerçek hayatta, senkronize bir biçimde birbirini takip eden ve kendi içinde gelişim gösteren örüntü adını verdikleri yapıları bilgisayar algoritmaları yardımıyla otomatikleştirmeye çalışmışlardır. Örüntü tanıma çok farklı alanlarda uygulama sahası bulmaktadır. Bu uygulama sahalarından ağaç teknolojisi sektöründe; ahşap yüzey kusurları, ahşap budak kusur tespiti alanında kullanılmaktadır. Optik karakter tanıma alanında, kimlik kartlarındaki karakter tanıma, kimlik kartlarındaki seri numarası tanıma, kimlik kartlarındaki metinleri tanıma gibi örnekleri mevcuttur. Biyomedikal alanında insan yüz mimiklerinin tanınması, retinal yüzeydeki hastalık belirtilerinin tanınması, retinal yüzeydeki hastalıklarının sınıflandırılması gibi örnekleri mevcuttur. Belirtilen biyomedikal cihazlardan elde edilen görüntüler, parmak izleri veya kartlardan elde edilen kimlik bilgileri gibi içerisinde bilgi içeren görüntülerden insanın algıladığı gibi sonuçlar çıkararak, insanın yapacağı işlemlerin makinaya yaptırılmasına örüntü tanıma denilmektedir [2]. Ticaret sektöründe ve endüstriyel ortamda, üretilen ürünlerin her aşamasında işlemlerin hızlandırılabilmesi için tüm sistemlerin otomatikleştirilmesinde fayda görülmektedir. Sürekli aynı işlemlerin yapılması gerektiği yüksek oranlarda doğru ve hızlı bir şekilde üretilen ürünlerin sınıflandırılması zor olmaktadır. Zor olmasındaki en önemli sebeplerden bir tanesi çalışanların aynı işlemi yapmasından dolayı meydana gelen göz yorgunluğudur. Belirtilen işlemleri yüksek doğruluk oranlarında, hassasiyet ve özgüllük değeri yüksek bir şekilde doğru ve hızlı bir kategorilere ayırmak gerektiğinde insanın karar alma yetisinin makinalara kazandırılması gerektiğini anlamaktayız. Makinanın karar alma yetisinin kazandırabilmesi için insanın gerçek hayattaki nesneleri algılama özelliğinin makine öğrenme, makine görü, istatistiksel analiz, görüntü işleme teknikleri kullanılarak kazandırılması gerekmektedir. Eğer bu özellik makinalara kazandırılabilirse, makine kendisine bilgileri verilen nesne hakkında karar verebilme, onları gördüğü zaman bir fikir oluşturabilme yetisine sahip olacaktır [3]. Makine öğrenme, makine görü, istatistiksel analiz, görüntü işleme teknikleri kullanılarak geliştirilecek bir algoritma ile insanın karar verme, algılama, sınıflandırma özellikleri makinalara kazandırılabilmektedir. Örneğin; belirli bir düzenek altında çevresel ışıklandırma ayarları gibi gerekli ön 50

2 işlemler yapıldıktan sonra alınacak görüntüler bilgisayarın algılayabileceği şekilde sayısallaştırılması gerekmektedir. Bu sayısallaştırma işleminde öznitelik çıkarma adını verdiğimiz moment tabanlı, istatistiksel tabanlı yöntemler ile bilgisayarların algılayabileceği bir formata dönüştürülmesi sağlanmaktadır. Dönüştürülen form bilgileri kullanılarak aralarındaki uzaklık değeri gibi her bir sınıflandırıcının kullanacağı farklı bir yaklaşımla kategorilere ayrılmaktadır. Test aşamasında tespit edilen örüntülerin önceki örüntüler ile karşılaştırma yapılarak öznitelik tabanlı en fazla benzerlik kategorisine alınarak sınıflandırılması sağlanmış olmaktadır [3]. 2. İlişkili Çalışmalar Literatürde yapay sinir ağları ile birçok farklı endüstriyel sınıflandırma uygulamaları ve otomasyonlara ait çok sayıda çalışmalar bulunmaktadır. Shahnorbanun ve ark., (2010) göre Spiking öğrenme vektörü, danışmanlı öğrenme vektör niceleme algoritmaları tarafından eğitilmiştir [4]. Selman (2011), ahşabın kusurlarını sıralayacak bir sistem ileri sürmektedir. İlk olarak danışmanlı bir sınıflandırıcı olan Adaboost algoritması ile eğitilmiştir. Sonrasında leke tipli kusurların renklerinin çıkartılmasında kullanılmış ve dinamik programlama, integral görüntü, Hough dönüşümü gibi yöntemler ile görüntü nesnelerinden çıkartılan öznitelikler birleştirilmiştir. Deneyler ahşap yüzey görüntülerinde uygulanmıştır ve sonuçlarda önerilen yaklaşımların etkinliği gösterilmiştir [5]. Yu-Hua Gu ve ark. (2010) otomatik olarak ahşap kusurlarını sınıflandırma konusuna yoğunlaşmışlardır [6]. Zhang ve Ye (2009), ağaç malzemeleri sınıflandırabilmek için malzemenin yüzeylerindeki kusurlar, potansiyel kullanımlar ve değerleri kullanmışlardır [7]. Mahram ve ark. (2012), makine görü teknikleri kullanılarak ağaç budak ve kırıklarının tespiti üzerine bir çalışma gerçekleştirmişlerdir [8]. Athilakshmi ve ark. (2010), yüksek doğruluk ve güvenilirlik ile istatistiksel ve dokusal öznitelik çıkarım teknikleri kullanarak ağaç malzemelerinin kalite kontrolüne yoğunlaşmışlardır. Ağaç kusur tanıma sistemi, sınıflandırma için ağaç türlerinin özniteliklerini doğrulayarak, öznitelik çıkarımı ve ön işleme tekniklerini temel alarak tasarlanmıştır. Dokusal sınıflandırma için en popüler teknik olan Gray-level Co-occurrence Matrices (GLCM) kullanılmıştır. Böylece işlenmiş görüntülerden öznitelikler, GLCM kullanılarak çıkartılmıştır [9]. Zheng ve Zhang (2010), klasik negatif olmayan matris çarpanlarına ayırma (NMF) için yeni bir yaklaşım sunmuşlardır. NMF sınır kısıtlamaları ile minimizasyon problemi olarak formüle edilmektedir [10]. 3. Öne Sürülen Yöntem Bu çalışmada farklı dalgacık eğitim tipleri kullanılarak budak görüntülerinden edilen öznitelikler, YSA sınıflandırıcı ile sınıflandırılmaya çalışılmıştır. Bu süreç sırasında YSA yönteminin hem eğitim hem de test işlemi sırasındaki başarıları incelenmiştir. tanıma işleminde, öncelikli olarak budak tiplerine göre sınıf sayılarının belirlenmesi gerekmektedir. Bu sayı, gerçek hayattaki insanın budakları ayıracağı örüntü sınıfını temsil etmektedir. Kamera gibi dış ortamdan alınan görüntüler sadece budak içeriyorsa, kategori sayısı 7 (0,1 6) olarak belirlenmektedir. Kullanmış olduğumuz budak veri setinde 7 farklı budak sınıfı bulunmaktadır. Bu bilgiler doğrultusunda giriş olarak verilen bir görüntü 7 sınıftan birisine ayrılmış olacaktır. Bu anlatılan örüntü tanıma işlem süreci Şekil 1 deki blok diyagramda gösterilmiştir. Sayısallaştırma Kategorize etme Ağaç yüzey veri seti Wavelet öznitelik çıkarma Sınıflandırıcı Dönüşüm işlemi adımı Şekil 1: Örüntü Tanıma Süreci 51

3 Örüntü tanıma süreci temel olarak üç aşamalı düşünülebilir: Örüntünün kameradan alınması ya da hazır bir görüntü veri setinin kullanılması, özniteliklerin çıkarılması ve sınıflandırma işlemidir. Ahşabın değeri, ağaç malzemenin kalitesi ile doğrudan ilişkilidir. Kalite; kusur sayısı ve onların dağılımları dikkate alınarak bulunabilmektedir [11]. Bu kusurlar 7 sınıfa ayrılmaktadır: Dry (Kuru), Encased (Kaynamış), Sound (Sağlam), Leaf (Yaprak), Edge (Kenar), Horn (Boynuz) ve Decayed (Çürük) türü kusurlardır Kullanılan Veri Setinin Özellikleri Ağacın doğal yapısı gereği kusurlar meydana gelebilmektedir. Bu kusurlardan bir tanesi de budaklardır. ; ahşap yüzey içerisinde bulunan, ağaç malzemenin kalitesini doğrudan etkileyen bir bölümdür. lar ağaç malzemenin mukavemetini kötü yönde etkilemektedir. Ağaç türleri kendi arasında önemli farklılıklara sahip olduğundan otomatik olarak bir ağaç malzemenin budak kusurunu sınıflandırmak zor bir işlemdir. Renk ve doku gibi tam olarak aynı özelliklere sahip hiçbir ağaç malzeme yoktur. Aksine sapmalar aynı tomruktan kesilmiş ahşaplar için bile çok geniş bir şekilde benzerlik gösterebilmektedir. Aynı zamanda, kusurların şekil, boyut ve renkleri aynı kusur kategorisi için bile çok fazla çeşitlilik gösterebilmektedir. Kereste fabrikalarında, çeşitli ağaç malzemelerinden ahşaplar elde edilmektedir. Bu ahşaplar sırasıyla yapı (inşaat), mobilya ve diğer imalat endüstrilerinde kullanılmaktadır. Prensipte, ahşabın inceleme ve kalite sınıflandırması basittir: her bir ahşabın kalite sınıfı kalite standartlarıyla belirlenmiş olan kusur ve kusurun dağılımına bağlıdır. Genel olarak sağlam, kuru, çürük tipi budaklar, reçine oyukları, yarıklar, ağaç kabuğu, küf kereste kusurları, Avrupa da 400, Finlandiya da 30 ve Türkiye de 46 tane ağaç kusur tipi tanımlanmıştır [12]. lar ahşap sınıflandırmasında önemli bir rol oynamaktadır. lar, şekil ve görünüm bakımından büyük farklılıklara sahiptir. Örneğin; kuru budaklar, sınırlar çevresinde dar karanlık halkalara sahiptir. Kaynamış budaklar birkaç farklı bölge içermektedir. Boynuz budağı, tahtaların kenarlarına yerleşmiş bir yaprak budağıdır. Yaprak (0) Kaynamış (1) Kuru (2) Kenar (3) Kanal (Boynuz) (4) Sağlam (5) Çürük (6) Şekil 2: Tahtalardaki değişik budak tiplerinin örnekleri Şekil 2 de tahtalardaki farklı budak tiplerini göstermektedir Özniteliklerinin Sınıflandırılması İnsanoğlu doğa ile iç içe yaşamış ve ondan esinlenerek karşılaştığı problemler için çözüm önerileri geliştirmiştir. Bu önerileri bilgisayar kullanılarak çok ileri seviyelere çıkarmıştır. Geliştirilen yöntemlerin bazıları canlı organizmayı örnek alarak yapılmıştır [13]. YSA da bu şekilde insanın biyolojik nöron yapısını dikkate alarak geliştirilen bir yöntemdir. Bu yöntem kullanılarak elde edilen özniteliklerin sınıflandırılması ve budak tanıma işlemi Şekil 3 de belirtilen algoritma ile gerçekleştirilmiştir. Eğitilmemiş Ham Görüntü İkili hale dönüştürme 80x52 boyutunda yeniden boyutlandırma Uygulamada kullanılan orijinal budak görüntüleri Oulu Üniversitesinin budak veri tabanından alınmıştır[14]. Toplamda yedi farklı budak sınıfı her sınıf için 180 görüntüden toplamda 1260 görüntü mevcuttur. YSA sınıflandırma algoritmasının öğrenme aşamasında insanın beyin özellikleri kullanılarak makinaya öğretim işlemi gerçekleştirilmektedir. Bu aşamada, öğretilecek olan giriş örnekleri YSA ağına giriş olarak verilmektedir. Belirli gizli nöron ve katmanlardan geçen giriş örneği çıktı sınıfı hesaplanana kadar ileri doğru yayılmaktadır. Elde edilen sonuç değeri, tahmin edilen değer ile karşılaştırılıp aradaki fark hata olarak kabul edilmektedir. Hatalar, katmanlarda sinaptik ayarlamaların yapıldığı geri besleme bağlantılarında girdiler olarak kullanılmaktadır. Şekil 4 da geri yayılım çalışması için değiştirilmiş çok katmanlı ileri beslemeli bir ağı göstermektedir. Geriye doğru olan bağlantılar sadece öğrenme fazı için kullanılırken, ileri doğru olan bağlantılar hem öğrenme amacıyla hem de işlemsel fazlar için kullanılmaktadır. Öznitelik Çıkarımı Şekil 3: Eğitim Algoritması Ağa göre Tanıma 52

4 Bulunan hatayı geriye yayma yönü Çıkışlar Çıkış katmanı gerçekleştirilen deneysel çalışmalarda en iyi sonucu elde edebilmek için belirtilen parametre değerleri üzerinde YSA eğitim aşamasında değişiklik yaparak sınıflandırma sonucuna etkisi karşılaştırılmıştır. Gizli katman Giriş katmanı 630x108 matrisli giriş tanıma yöntemi Girişler Şekil 4: Geri yayılım ağ yapısı Çıkış hesaplama yönü Model YSA Tepki Ʃ + Bu çalışmada geri yayılım tabanlı öğrenme kullanılmıştır. Geri yayılım tabanlı öğrenmenin kullanılmasının sebebi noktasında katmanlardaki hataların azaltılması gerçekleştirilerek belirsiz durumda olan gizli katmanların ağırlıkları ayarlanmaktadır. Elde edilen sınıflandırma sonuçları, gizli katmanda belirlenen ağırlıklara göre sınıflandırılmış olmaktadır. Burada gerçekleştirilen, katmanlar arasındaki hata değerleri üzerinden ağırlık değerlerinin belirlenmesini sağlanmaktadır. Bu işlem kendi içinde yenilebilir bir şekilde en sondaki gizli katmandan çıkış katmanına doğru ağırlıkların ayarlanma işleminin tekrar etmesini sağlamaktadır. Bu şekilde elde edilen hata değerleri ilgilenen katmanın hata değerini düzelterek gerideki katmana doğru yayılmasını sağlamaktadır. Eğitim işleminin gerçekleştirilme aşamasında hesaplanan hata değerleri en aza indirilmek amacıyla bahsedilen işlemler tekrar edilmektedir. İleri beslemeli geri yayılımlı YSA tercih edilmesinde hata değerlerini en küçük seviyeye indirmemizi sağladığından dolayı tercih edilmiştir. Bu çalışmada, giriş, gizli ve çıkış katmanından oluşan çok katmanlı YSA modeli kullanılmıştır. Ahşap üzerinde karşılaşılabilecek budaklara ait öznitelikler elde edildikten sonra YSA ile tanımlanabilmeleri için bir YSA modeli oluşturmak üzere işlemler tasarlanmıştır. Her bir budak YSA eğitimi için 1260x108 öznitelik sayısının yarısını giriş teşkil edecek şekilde bir satır matrisi, çıkışlar ise 7 tane budak kusur tipini gösteren çıkış sınıfları belirlenmiştir. Elde edilen girdi ve çıktı dosyaları YSA eğitiminde kullanılarak ağ eğitimi gerçekleştirilmiştir. Gerçekleştirilen yönteme ilişkin blok diyagramı Şekil 5 de verilmiştir. Böylece girişe verilen bir budak öznitelik vektörünün başarı ile tanınmasını sağlayan bir model elde edilmiştir. Model 1260x108 öznitelik sayısının yarısını giriş teşkil edecek şekilde bir giriş matrisi, 20 gizli nöron, 180 çıkış katmanındaki nöron sayısı(her bir budak türü için veri setindeki görüntü sayısı), 4000 adım, 7 çıkış sınıftan oluşmaktadır. Aynı zamanda, log-sigmoid etkinlik işlevi fonksiyonu ağın gizli katmanlarında kullanılmıştır. Kullanılan etkinlik fonksiyonu, doğrusal olmaması ve türevi alınabilmesi sebebiyle tercih edilmiştir. Bu girdi değerleri 0 ile 1 arasında ölçeklenmesini sağlamaktadır. Belirtilen gizli nöron sayısı, çıkış katmanındaki nöron sayısı ve gizli nörondaki aktivasyon fonksiyonunun belirlenmesinde deneysel çalışmalar etkili olmuştur. MATLAB üzerinde Şekil 5: YSA eğitimi blok diyagramı Hata işareti Bu kaydedilen ağa göre, test budak görüntüleri kullanılarak Şekil 3 de belirtilen işlem sırasına sahip algoritma ile % 92 oranında budak tanıma işlemi sağlanmıştır Eğitim Algoritmasının Seçimi Tablo 1: ların Daubechies db2 türünden 3.seviye yaklaşım katsayıları kullanılarak elde edilen sonuçlar Algoritma Eğitim Süresi(sn) Sınıflandırma problemlerinin çözümünde birçok faktöre bakarak karar verildiği için zorluk yaşanmaktadır. Sınıflandırma probleminin çözümü birçok faktöre bağlıdır. Bu faktörlerden bazılarını sıralamak gerekirse; sınıflandırma probleminin giriş, gizli ve çıkış katman sayıları, kullanılan nöron sayılarına bağlı olarak değişen karmaşıklığı, katmanlar arasında hesaplanan hata değerlerinin durumu, ağın hangi probleme yönelik olarak kullanılacağı gibi yaklaşımlar olarak kısaca özetlenebilir. Gerçekleştirilen deneysel çalışmalarda, kullanılan sınıflandırıcı eğitim yöntemlerinin karşılaştırmalı analizi gerçekleştirilmiştir. Gerçekleştirilen çalışmada, gerçek hayattaki ağaçlardan elde edilen ahşaplarda çalışıldığı için deneme yanılma yoluyla tespit edilen 4 farklı eğitim yönteminin ahşap yüzeylerinde tespit edilen budakların 7 farklı sınıfa ayrılması süreci sonucunda elde edilen sınıflandırma başarı oranları karşılaştırılmıştır. Elde edilen sınıflandırma başarı oranları Tablo 1. de gösterilmiştir. ların Daubechies db2 türünden 3. seviye yaklaşım katsayıları kullanılarak elde edilen özniteliklerin sinir ağları ile sınıflandırma sonuçlarında detay katsayıları ayırt edici bilgi içermediğinden kullanılmamıştır. Dalgacık dönüşüm algoritmaları kullanılarak çıkartılan öznitelikler, Polak- - Eğitim (%) Test (%) Ölçeklenmiş Eşlenik Eğim (trainscg) Esnek geri yayılım (trainrp) Powell-Beale ile Eşlenik Eğim (traincgb) Polak-Ribiére ile Eşlenik Eğim (traincgp)

5 Ribiére ile aynı kökten türemiş gradyan (traincgp) eğitim algoritması ile sınıflandırma sonuçları Tablo 2. de verilmiştir. 6. Kaynaklar Tablo 2: Dalgacık Türüne Göre eğitim süresi, eğitim ve test tanıma oranları Algoritma Eğitim Süresi(sn) Eğitim (%) Test (%) Db Db Bior Bior Coif Sym Sonuç ve Öneriler Bu çalışmada yedi farklı budak tipine ait basit ve etkili öznitelikler kullanarak budaklar sınıflandırılmıştır. Sınıflandırma sırasında farklı öznitelik tiplerinden elde edilen vektörler üzerinde test işlemleri gerçekleştirilmiştir. Testlerin değerlendirme sonuçlarında, en yüksek eğitim başarı oranı Bior 3.3 den çıkartılan öznitelikleri kullanılarak sağlanmıştır. Eğitim algoritması olarak test işlemlerindeki başarısının yüksek ve eğitim süresinin diğer eğitim algoritmalarından az olmasından dolayı traincgp eğitim algoritması kullanılmıştır. Bu eğitim algoritması kullanılarak elde edilen uygulama sonucuna göre eğitimde Bior3.3 (97.93%), testte Bior3.9 (92.22%) başarı oranı yakalanmıştır. Genel olarak Bior3.9 eğitimde (97.46%) ve testte (92.22%) başarı oranına ulaşılmıştır. Bu sonuçlara göre; ağaç malzemelerin budak tipine göre sınıflandırılmasında ortalama 92% oranında başarı ile gerçekleştirilmiştir. Gelecekteki çalışmalarda, budak özniteliklerinin özgünlüğünü kaybettirmeden seçim işlemi gerçekleştirmeyi düşünmekteyiz. Bunun için yeni bir öznitelik seçici algoritması geliştirmeyi hedeflemekteyiz. Çünkü öznitelik seçimi, öznitelik vektöründe ayırt edici olmayan özniteliklerinin kaldırılmasını sağlayacaktır. Bu durum uygulamanın geniş veri setlerinde gerçek zamanlı olarak daha hızlı ve etkili bir şekilde çalışmasına imkan tanıyacaktır. 5. Teşekkür SDÜ BAP Kordinasyon Birimi tarafından bir araştırma projesi (Proje No: 3126-D-12) olarak desteklenen bu çalışma SDÜ Fen Bilimleri Enstitüsü nde İbrahim ÇETİNER in yaptığı Doktora Tezi nin bir bölümünün özetidir. Yazarlar finalsal destekleri için SDÜ BAP Kordinasyon Birimi ne teşekkür eder. Çalışmanın tasarımı ve geliştirilmesi Ahmet Ali VAR tarafından önerilmiş ve denetlenmiştir. Matlab analizi ve makale tasarımı Halit ÇETİNER tarafından gerçekleştirilmiştir. [1] Avcı, A., Wavelet Dönüşümü İle Doku Öznitelikleri Çıkarılan Görüntülerin Rezonans Algoritması Kullanılarak Bölütlenmesi, KTÜ, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 66s., Trabzon, [2] Çetiner, H., Görüntü İşleme Teknikleri Kullanarak Optik Karakter Tanımlama, SDÜ, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 76s., Isparta, [3] Ölmez, T., Dokur, Z., Uzman Sistemlerde Örüntü Tanıma, İTÜ, Elektronik ve Haberleşme Mühendisliği Bölümü, 325s [4] Shahnorbanun, S., Huda, S. A. S. N., Haslina, A., Nazlia, O., Rosilah, H., A computational biological network for wood defect classification, In Proceedings of the World Congress on Engineering and Computer Science, 2010, pp [5] Jabo, S., Machine Vision for Wood Defect Detection And Classification, Master of Science Thesis, Department of Signals and Systems, Chalmers Unıversıty of Technology, Göteborg, Sweden, [6] Gu, I. Y. H., Andersson, H., Vicen, R., Wood defect classification based on image analysis and support vector machines, Wood science and technology, 44(4), , [7] Zhang, Z., Ye, N., A novel nonlinear dimensionality reduction method for robust wood image recognition, In Bioinformatics, Systems Biology and Intelligent Computing, IJCBS'09. International Joint Conference on, 2009, pp [8] Mahram, A., Shayesteh, M. G., Jafarpour, S., Classification of wood surface defects with hybrid usage of statistical and textural features, In Telecommunications and Signal Processing, 2012, pp [9] Athilakshmi, R., Wahi, A., Nagarajan, B., Defect identification of lumber through correlation technique with statistical and textural feature extraction method, In Communication and Computational Intelligence, pp , [10] Zheng, Y., Zhang, Q., Zhang, Z., Damped Newton based iterative non-negative matrix factorization for intelligent wood defects detection, Journal of software, 5(8), , [11] Marcano- Cedeno, A., Quintanilla-Dominguez, J., Andina, D., Wood Defects Classification Using Artificial Metaplasticity Neural Network, IECON '09. 35th Annual Conference of IEEE, 2009, [12] Günay, Z., Orman Ürünleri Standardları(Yuvarlak Odunlar), Saydam Matbaacılık Ofset ve Tipo Tesisleri, Ankara, [13] Şen, Z., Yapay Sinir Ağları ve İlkeleri, Su Vakfı Yayınları, İstanbul, [14] U Oulu Wood And Knots Database [Online]. Available: Ht,