ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği Bölümü ercil@boun.edu.tr Özetçe Bu çalışmada, çelik yüzeyler doku analizi yöntemleri ile incelenmiş, yüzey özellikleri yardımı ile çelik yüzey üzerindeki pas derecesi bulunmaya çalışılmıştır. Doku analizinden elde edilen öznitelikler seçme algoritmaları yardımı ile derecelendirilmiş ve en uygun öznitelikler sınıflandırıcılara verilerek, yüzeyin sınıfı bulunmuştur. 1. Giriş Çelik, günümüzde köprü ve benzeri yapılarda en çok kullanılan metaldir. Özellikle nemli ortamlarda çeliğin paslanması, yüzeyinin devamlı olarak temizlenmesini gerektirmektedir. Bakım işlemi insan için elverişsiz koşullarda yapıldığı için, bu işlemi otomatik olarak gerçekleyecek bir robotun yapılması düşünülmüştür. Çelik yapıların bakımının otomatik olarak yapılabilmesi için, yüzey özelliklerinin bulunması gerekir. Pas durumuna göre çelik yüzeyleri dört gruba ayırabiliriz:pas derecesi A; Pas derecesi B; Pas derecesi C; Pas derecesi D. Bu yüzeylerin temizlenmesi kumlama adı verilen yöntemle yapılmaktadır.yukarıda verilen pas derecelerinin herbirinden kumlama sonucu elde edilen yüzey de farklı olacaktır. Bu yüzeyleri de sırasıyla Kumlanmış A; Kumlanmış B; Kumlanmış C ve Kumlanmış D olarak verebiliriz. Bu çalışmada doku analizi yöntemleri kullanılarak, çelik yapıların yüzey özellikleri hakkında bilgi elde edilmiştir [1]. Doku analizi yöntemlerinden elde edilen öznitelikler öznitelik seçme yöntemleri ile seçilmiş ve sınıflandırma işlemi için kullanılmıştır [2] [3]. Bu bildiride, kullanılan doku analizi ve öznitelik seçme yöntemleri kısaca verilecek ve çalışmanın son aşaması olan sınıflandırma sonuçları incelenecektir. 2. Doku Analizi Aşaması: Bu aşamada, kullanılan altı değişik doku analizi yöntemi kısaca anlatılmış ve herbirinden elde edilen öznitelik sayısı verilmiştir. Bu doku analizleri ile ilgili geniş bilgi verilen referanslarda bulunabilir [1]. 2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir. 1.2 Markov Rassal Alanları (MRF) MRF model temelli bir doku analizi yöntemidir. Eldeki dokuyu stokastik bir model ile belirtmeye çalışır.
1.3 Đmgenin Histogramı (His) Đmgenin histogramı, gri düzeylerin dağılım olasılığı fonksiyonu olarak alınabilir. Histogram bilgisinden imgenin genel özellikleri bulunabilir. 1.4 Đki Boyutlu Fourier Dönüşümü (FT) Đmge spektral alanda incelenmiştir. 1.5 Wavelet Dönüşümü (WT) Đmgenin spektral alanda incelenmesine olanak veren bir diğer yöntemdir. 1.6 Gabor Dönüşümü (GT) Đnsan gözü örnek alınarak elde edilmiş bir yöntemdir. Bu yöntemler, değişik ön işleme safhalarından geçirilmiş imgeler üzerine uygulanmıştır. Daha detaylı bilgi için bu konuda hazırlanmış teknik rapor incelenebilir [1]. Eldeki pas yüzeylerinden pas derecesi D yi elde etmek mümkün olmamıştır. Bu nedenle bu pas derecesi çalışmaya alınmamıştır. Farklı çelik yüzeyler için elde edilen örnek sayısı Tablo 1.1 de verilmiştir. Tablo 1.2 de farklı renk ve gri tonu uzaylarında her yöntemden elde edilen öznitelik sayıları görülmektedir. Tablo 1.1 Çelik Yüzey türleri için elde edilen örnek sayısı Pas A Pas B Pas C Kum. A Kum. B Kum. C Toplam Örnek Sayısı 274 274 274 274 274 274 1644 Tablo 1.2 Her yöntemden elde edilen öznitelik sayısı Kırmızı Yeşil Mavi Hue Gri Toplam FT 5 5 5 5 20 GT 24 24 24 24 24 120 GLCM 6 6 6 6 6 30 HIST 4 4 4 4 4 20 MRF 25 25 25 25 25 125 WT 448 448 448 448 1408 Toplam öznitelik sayısı 1723 2. Öznitelik Seçme Aşaması: Eldeki öznitelik sayısı, hepsinin denenmesini olanaksız kıldığı için, aşağıda verilen öznitelik seçme yöntemleri bu öznitelik kümesine uygulanmış ve seçilen öznitelikler üzerinde sınıflandırma işlemi yapılmıştır. Öznitelik seçme yöntemleri ile ilgili daha detaylı bilgi verilen referanslarda bulunabilir [2]. 2.1 Varyans Ölçütü Eldeki özniteliğin varyansından, o öznitelik hakkında bilgi çıkarmaya çalışan bir yöntemdir.
2.2 Entropi Ölçütü Eldeki öznitelik bir dağılım olarak alındığı zaman, bu dağılımın entropisinden, o öznitelik hakkında bilgi çıkarmaya çalışan bir yöntemdir. 2.3 Fisher in Ölçütü Öznitelikteki sınıf içi ve sınıflar arası dağılımlar yardımı ile öznitelik hakkında bilgi çıkarmaya çalışan bir yöntemdir. 2.4 Fisher in Ölçütünün Kümeleme Yöntemleri ile Bulunması Fisher in ölçütünden türetilen ve kümeleme yöntemlerini kullanan yeni bir öznitelik seçme yaklaşımıdır [2]. 2.5 Şekil Benzerliği Öznitelik içindeki veri dağılımını o özniteliğin şekli olarak alan ve hiyerarşik kümeleme yöntemlerini kullanan bir seçme yöntemidir [2]. 2.6 Özbileşenler Analizi (Principal Component Analysis) Öznitelik uzayında veri dağılımının ençok olduğu yöne göre dönüşüm yapan bir öznitelik türetme yöntemidir. Bu öznitelik seçme yöntemleri kullanılarak her doku analizi yöntemi için üç öznitelik bulunmuştur. Toplam öznitelik sayısının üç ile sınırlandırılmasının nedeni, daha önceki çalışmalardan elde edilen deneyimdir [4]. Öznitelik sayısının fazlalığı nedeni ile hiyerarşik seçme yapılmıştır. 3. Sınıflandırma Aşaması Bu çalışmada son adım olarak çelik yüzeylerin sınıflandırılması çalışması yapılmıştır. Bunun için, doku analizi yöntemlerinden elde edilen öznitelikler insan tarafından seçilerek bir alt küme oluşturulmuştur. Đkinci bir alt küme de öznitelik seçme yöntemlerinin seçtikleri özniteliklerden oluşturulmuştur. Sınıflandırma için iki ana yöntem denenmiştir: 3.1 Hiyerarşik Sınıflandırma Bu yöntemde hiyerarşik karar yapısı düşünülerek, her yüzey bir sınıf, diğer tüm yüzeyler toplu olarak ikinci bir sınıf olarak alınmıştır. Bu yöntem için aşağıdaki sınıflandırıcılar kullanılmıştır: 1. Bayes sınıflandırıcısı 2. Parzen Penceresi Yaklaşımı 3. KNN sınıflandırıcısı 4. Fuzzy KNN sınıflandırıcısı 5. Adaline 6. LVQ Bu yöntem için ayrıca sınıflandırıcıların birleştirilmesi yaklaşımı da denenmiştir. Sınıflandırıcıların birleştirilmesi yöntemi olarak en çok oy kuralı kullanılmıştır. 3.2 Tüm Sınıfların Kullanılması Đkinci yöntem olarak da her yüzey bir sınıf oluşturacak şekilde deney yapılmıştır. Bu
yöntemde KNN sınıflandırıcısı kullanılmıştır. Sonuçların istatistiksel olarak daha güvenilir olabilmesi için öğretme ve test setlerinin oluşturulmasında cross-validation yöntemi kullanılmıştır. Bu bildiride yalnızca altı sınıf için uzman insan ve öznitelik seçme yöntemlerinin sonuçları verilmiştir. Sonuçlar yüzde başarı olarak verilmiştir. Her satır test verisinin türünü, buna karşılık gelen her sütun da hangi sınıfa atandığını belirtmektedir. Diğer sonuçlar teknik raporlarda bulunabilir [3]. Uzman insan tarafindan seçilen özniteliklerin sınıflandırma sonuçları: Tablo 3.2.1. FT öznitelikleri ile bulunan sınıflar PasA 77.00 0.91 16.91 0.00 3.36 1.82 Kum A 0.00 80.36 0.00 12.09 1.64 5.91 Pas B 16.45 0.00 77.55 0.00 6.00 0.00 Kum B 0.00 13.00 0.00 86.91 0.00 0.09 Pas C 1.91 0.82 3.27 0.00 94.00 0.00 Kum C 0.00 7.73 0.00 0.73 0.00 91.55 Tablo 3.2.2. GT öznitelikleri ile bulunan sınıflar PasA 76.64 4.00 0.27 3.27 0.00 15.82 Kum A 1.82 65.36 0.00 22.00 0.00 10.82 Pas B 0.00 0.00 74.73 0.00 25.27 0.00 Kum B 1.18 17.91 0.00 63.91 0.00 17.00 Pas C 0.00 0.00 24.45 0.00 75.55 0.00 Kum C 9.64 10.00 0.00 16.55 0.00 63.82 Tablo 3.2.3. GLCM öznitelikleri ile bulunan sınıflar PasA 74.27 4.18 0.36 7.55 0.00 13.64 Kum A 2.09 80.00 0.64 6.36 0.00 10.91 Pas B 0.00 0.36 69.27 0.00 30.36 0.00 Kum B 3.82 4.91 0.27 67.55 0.09 23.36 Pas C 0.00 0.18 30.09 0.09 69.55 0.09 Kum C 11.00 13.09 0.09 23.55 0.27 52.00 Tablo 3.2.4. His. Öznitelikleri ile bulunan sınıflar PasA 92.17 0.64 0.18 0.00 5.73 1.27 Kum A 0.45 74.64 0.27 10.64 0.18 13.82 Pas B 93.73 1.27 2.64 0.00 0.18 2.18 Kum B 0.00 8.27 0.00 90.27 0.00 1.45 Pas C 82.36 0.00 0.09 0.00 16.91 0.64 Kum C 0.27 15.55 0.00 2.91 0.27 81.00
Tablo 3.2.5. MRF öznitelikleri ile bulunan sınıflar PasA 78.36 0.00 16.00 0.55 5.09 0.00 Kum A 0.00 89.64 0.18 6.45 0.82 2.91 Pas B 14.09 0.09 61.45 0.91 22.91 0.55 Kum B 0.27 4.64 1.27 64.00 5.91 23.91 Pas C 5.18 0.64 21.55 4.09 65.18 3.36 Kum C 0.09 3.27 0.73 26.09 4.91 64.91 Tablo 3.2.6. WT öznitelikleri ile bulunan sınıflar PasA 46.18 12.45 11.36 6.73 15.00 8.27 Kum A 14.18 68.36 0.27 7.91 1.36 7.91 Pas B 11.45 0.36 77.00 2.64 7.55 1.00 Kum B 10.27 10.91 1.91 48.82 11.45 16.64 Pas C 14.64 3.55 9.82 9.45 59.27 3.27 Kum C 18.45 11.36 0.73 20.55 3.73 45.18 Tüm bu sonuçlar incelendiği zaman, Đki boyutlu Fourier Dönüşümünden uzman insan tarafından seçilen öznitelik kümesinin altı pas derecesini ayırmak için yeterince iyi sonuç verdiği görülür. Öznitelik seçme yöntemleri ile elde edilen özniteliklerin sonuçları: Tablo 3.2.7. FT öznitelikleri ile bulunan sınıflar PasA 42.73 11.73 22.73 2.00 19.45 1.36 Kum A 8.27 61.55 0.36 13.09 2.55 14.18 Pas B 15.36 1.09 74.36 0.00 9.18 0.00 Kum B 0.91 14.09 0.00 82.82 0.00 2.18 Pas C 17.73 1.64 9.27 0.00 71.36 0.00 Kum C 0.27 14.64 0.00 7.00 0.00 78.09 Tablo 3.2.8. GT öznitelikleri ile bulunan sınıflar PasA 76.91 4.09 0.27 5.45 0.00 13.27 Kum A 3.36 65.00 0.00 20.82 0.00 10.82 Pas B 0.09 0.00 75.27 0.00 24.64 0.00 Kum B 3.00 19.09 0.00 62.27 0.00 15.64 Pas C 0.00 0.00 23.27 0.00 76.73 0.00 Kum C 9.45 11.18 0.00 16.27 0.00 63.09 Tablo 3.2.9. GLCM öznitelikleri ile bulunan sınıflar PasA 87.45 0.00 8.91 0.00 3.64 0.00 Kum A 0.09 90.55 0.00 6.55 0.91 1.91 Pas B 7.09 0.00 91.36 0.00 1.55 0.00 Kum B 0.00 3.27 0.00 79.36 0.00 17.36 Pas C 1.91 0.00 1.09 0.00 97.00 0.00 Kum C 0.00 1.45 0.00 16.64 0.00 81.91
Tablo 3.2.10. His. Öznitelikleri ile bulunan sınıflar PasA 72.27 0.64 10.55 0.00 13.18 3.36 Kum A 0.91 80.18 0.27 8.00 0.00 10.64 Pas B 10.64 0.18 76.36 0.00 12.73 0.09 Kum B 0.00 10.64 0.00 86.00 0.00 3.36 Pas C 16.09 0.18 11.91 0.00 71.36 0.45 Kum C 2.64 8.45 0.27 2.18 0.45 86.00 Tablo 3.2.11. MRF öznitelikleri ile bulunan sınıflar PasA 87.64 0.00 6.18 0.00 6.18 0.00 Kum A 0.00 91.36 0.55 4.27 0.00 3.82 Pas B 4.45 0.09 84.82 0.00 10.64 0.00 Kum B 0.00 5.09 0.00 80.45 0.00 14.45 Pas C 6.36 0.00 11.55 0.00 82.09 0.00 Kum C 0.00 2.00 0.00 18.64 0.00 79.36 Tablo 3.2.12. WT öznitelikleri ile bulunan sınıflar PasA 60.36 0.82 19.45 0.00 18.27 1.09 Kum A 1.09 82.00 0.00 12.27 1.18 3.45 Pas B 14.73 0.00 83.09 0.00 2.18 0.00 Kum B 0.09 11.09 0.00 76.82 0.27 11.73 Pas C 17.73 0.00 2.82 0.00 78.55 0.91 Kum C 0.73 2.82 0.00 11.55 0.45 84.45 Tüm bu sonuçlar incelendiği zaman, GLCM den Fisher in seçme yöntemi ile seçilen öznitelik kümesinin, altı pas derecesini ayırmak için yeterince iyi sonuç verdiği görülmektedir. 4. Sonuç Elde edilen sonuçlar, çelik yüzeylerin yapay görme sistemi ile sınıflandırılabileceği yönündedir. Bu çalışmanın daha sağlıklı yapılabilmesi için eldeki deney setinin daha çok ve değişik olması gerekmektedir. Bu çalışmada bir sonraki adım, eldeki yapıyı gerçek zamanlı bir sistem haline getirmektir. Kaynakça [1] Ünsalan C., Erçil A., Classification of Rust Grades on Steel Surfaces Part 1, Boğaziçi Üniversitesi, Teknik Rapor, FBE-IE-12/97-16,1997 [2] Ünsalan C., Erçil A., Classification of Rust Grades on Steel Surfaces Part 2, Boğaziçi Üniversitesi, Teknik Rapor, FBE-IE-02/98-02,1998 [3] Ünsalan C., Erçil A., Classification of Rust Grades on Steel Surfaces Part 3, Boğaziçi Üniversitesi, Teknik Rapor, FBE-IE-03/98-03,1998 [4] Ünsalan C., Erçil A., Doku Analizi yöntemleri ile Tahta Kalite Kontrol Otomasyonu, 5. SIU Kurultayı Bildiriler Kitabı, cilt 1, sayfa 264-271, Kuşadası, 1997