Traverten plaka taşlarının sınıflandırılmasında gerek müşteri talepleri gerekse taş üreticileri tarafından belirlenmiş sınıflar bulunmaktadır. Üretim sırasında taş plakaların sınıflandırılması (seleksiyonu) genellikle elle yapıldığından ve kişinin görsel algılamasına bırakıldığından sınıflarda genel bir standarttan bahsetmek mümkün olamamaktadır. Ayrıca önceden belirlenen sınıf standartlarına uygun olmayan plaka taşların sınıflandırılmasında en yakın sınıf kişisel yorumla belirlenerek sınıflandırma yapılmaktadır. Bu da üretim aşamasından sonra müşteri taleplerine uymayacak sonuçlar ortaya çıkartabilmektedir. Bu noktada kişilerin farklı görselliklerinden bağımsız olarak objektif bir sınıflandırmanın yapılması gerekmektedir. Bu tez çalışmasında öğreticisiz öğrenme modelleri üzerinde durulmuş, traverten plakalar için yeni bir sınıf tanımlaması öngörülmüştür. Yöntemlere birçok öznitelik analizleri yapılarak traverten plaka taşlar için en uygun değeri veren öznitelikler belirlenmiştir. Öğreticisiz öğrenme tekniklerinden K-ortalamalar kümeleme yöntemi bölümleme yöntemiyle hızlandırılmaya çalışılmıştır. K-ortalamalar kümeleme yönteminin geliştirilmeye müsait ve herkes tarafından bilinen yöntem olması çalışmaların bu yönde devam etmesine sebep olmuştur. K-ortalamalar kümeleme yönteminin aynı veri tabanı ile her çalışmasında aynı değeri üretmesi için ve daha hızlı çalışması için algoritmada ve programda yeni yöntemler geliştirilmiştir. Yapılan deneysel çalışmalar, önerilen yeni sınıflandırma biçimleri ile traverten sınıflarının ayrımı hızlandırılmış K-ortalamalar kümeleme yöntemi ile daha hızlı ve belirgin olduğunu ayrıca sınıf içi dağılımlarının göze daha hoş geldiğini göstermektedir. Anahtar Kelimeler: K-ortalamalar kümeleme yöntemi, traverten sınıflandırma, kümeleme yöntemi hızlandırma, Görüntü işleme.
There are classes determined by both the customers. demands and the manufacturers of stone for clustering blocks of travertine stone slabs. During the production, since the classification of stone slabs (selection) is generally done manually and leaves the person.s visual perception, it is not possible to reach a standard. In addition, the closest class is determined and plates are divided into these classes in case stones are non-compliance with pre-determined class standards. This results can cause obviate the customers. demands after the production stage. At this point, an objective classification should be done being independent from people.s different visuality. In this thesis, focused on unsupervised learning technique and new class definition is foreseen for travertine slabs. Travertine stone slabs made many attribute analysis methods for determined the most suitable features. The partitioning method is used for making faster K-means clustering algorithm that is an unsupervised learning technique. Because of K-means is well-known method and capable of being improved, led to continued in this direction. In this thesis, new algorithm and program was developed for working faster and producing the same value in the same database for each run. In the experimental studies, the proposed new classification forms of K-means clustering method with an accelerated separation is faster and more obvious also the distribution of them in classes seems more pleasant. Keywords: K-means clustering method, travertine classification, speeding up the clustering method, Image processing.
Tez (Yüksek Lisans)- Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, 2012.
Kaynakça var.
Traverten plaka taşlarının sınıflandırılmasında gerek müşteri talepleri gerekse taş üreticileri tarafından belirlenmiş sınıflar bulunmaktadır. Üretim sırasında taş plakaların sınıflandırılması (seleksiyonu) genellikle elle yapıldığından ve kişinin görsel algılamasına bırakıldığından sınıflarda genel bir standarttan bahsetmek mümkün olamamaktadır. Ayrıca önceden belirlenen sınıf standartlarına uygun olmayan plaka taşların sınıflandırılmasında en yakın sınıf kişisel yorumla belirlenerek sınıflandırma yapılmaktadır. Bu da üretim aşamasından sonra müşteri taleplerine uymayacak sonuçlar ortaya çıkartabilmektedir. Bu noktada kişilerin farklı görselliklerinden bağımsız olarak objektif bir sınıflandırmanın yapılması gerekmektedir. Bu tez çalışmasında öğreticisiz öğrenme modelleri üzerinde durulmuş, traverten plakalar için yeni bir sınıf tanımlaması öngörülmüştür. Yöntemlere birçok öznitelik analizleri yapılarak traverten plaka taşlar için en uygun değeri veren öznitelikler belirlenmiştir. Öğreticisiz öğrenme tekniklerinden K-ortalamalar kümeleme yöntemi bölümleme yöntemiyle hızlandırılmaya çalışılmıştır. K-ortalamalar kümeleme yönteminin geliştirilmeye müsait ve herkes tarafından bilinen yöntem olması çalışmaların bu yönde devam etmesine sebep olmuştur. K-ortalamalar kümeleme yönteminin aynı veri tabanı ile her çalışmasında aynı değeri üretmesi için ve daha hızlı çalışması için algoritmada ve programda yeni yöntemler geliştirilmiştir. Yapılan deneysel çalışmalar, önerilen yeni sınıflandırma biçimleri ile traverten sınıflarının ayrımı hızlandırılmış K-ortalamalar kümeleme yöntemi ile daha hızlı ve belirgin olduğunu ayrıca sınıf içi dağılımlarının göze daha hoş geldiğini göstermektedir. Anahtar Kelimeler: K-ortalamalar kümeleme yöntemi, traverten sınıflandırma, kümeleme yöntemi hızlandırma, Görüntü işleme.
There are classes determined by both the customers. demands and the manufacturers of stone for clustering blocks of travertine stone slabs. During the production, since the classification of stone slabs (selection) is generally done manually and leaves the person.s visual perception, it is not possible to reach a standard. In addition, the closest class is determined and plates are divided into these classes in case stones are non-compliance with pre-determined class standards. This results can cause obviate the customers. demands after the production stage. At this point, an objective classification should be done being independent from people.s different visuality. In this thesis, focused on unsupervised learning technique and new class definition is foreseen for travertine slabs. Travertine stone slabs made many attribute analysis methods for determined the most suitable features. The partitioning method is used for making faster K-means clustering algorithm that is an unsupervised learning technique. Because of K-means is well-known method and capable of being improved, led to continued in this direction. In this thesis, new algorithm and program was developed for working faster and producing the same value in the same database for each run. In the experimental studies, the proposed new classification forms of K-means clustering method with an accelerated separation is faster and more obvious also the distribution of them in classes seems more pleasant. Keywords: K-means clustering method, travertine classification, speeding up the clustering method, Image processing.