Bu tez çalışmasında, kızılçam ağacından sadece budak faktörüne göre elde edilen ahşap döşeme tahtalarının kalite sınıfının görüntü işleme teknikleri kullanılarak belirlenmesini hedefleyen bir çalışma gerçekleştirilmiştir.Günümüzde ahşabın kalitesi, kusurların sayısı ve onların dağılımları ile belirlenmektedir. Bir ahşap parçasının direncini azaltan en genel kusur tipine budak denilmektedir. Ahşapların el ile seçilmesi ve sınıflandırılması zor, maliyetli ve zaman alıcı bir işlemdir. Bu noktada, son ürünün kalitesini etkileyen ve budak kusurlarını doğru bir şekilde otomatik olarak tanımlanmasını ve incelenmesini sağlayan otomatik budak kusur tespit yöntemleri öne sürülmüştür.Otomatik budak kusur tespit yöntemleri, orman ürünleri endüstrisinde verimliliği artırarak kaynaklardan daha iyi yararlanılmasına, işçilik maliyetlerinin azaltılmasına, daha akıllı, doğru ve güvenilir bir şekilde kerestelerin kalitelerine göre sınıflandırılmasına imkân tanımaktadır.Otomatik budak kusur tespit yöntemleri, ahşap budak kusurlarının yerlerinin belirlenmesi ve bu budak kusur tiplerinin tanımlanması olmak üzere iki aşamadan oluşmaktadır. Budak kusurlarının bulunması istenen ahşap görüntülerin elde edilmesiyle başlamaktadır. Görüntülerin normalleştirilmesi ve gürültülerin temizlenmesi yapılması gereken ön işlemlerdir. Özniteliklerin çıkarılması ve sınıflandırılması ile budak kusurları sayısallaştırılarak tip tanımlaması yapılmaktadır.Bu tez çalışmasının gerçekleştirilmesini sağlayabilmek için belirli şartlar altında elde edilmiş döşemelik tahta görüntü veritabanları kullanılmıştır. Bu görüntü veritabanları üzerinde budak büyüklükleri baz alınarak budak sınıfları TS 11970 ve TS EN13990 standartlarına göre belirlenmiştir.Belirtilen standartlar ve veritabanları üzerinde ikilileştirme ve dört farklı eşikleme yöntemi uygulanmıştır. Otsu, İteratif tabanlı, minimum çapraz entropi tabanlı ve ortalama ile standart sapmaya bağlı farklı eşikleme yöntemleri uygulanarak karşılaştırma yapılmıştır. Belirtilen eşikleme yöntemleri karşılaştırma yapabilmek için veritabanında bulunan tüm görüntüler üzerinde deneysel çalışmalar yapılmıştır. Bu deneysel çalışmalarda, ön plandaki budak kusurlarını arka plandaki budak kusuru olmayan bölgelerden etkili bir şekilde kaldırılmasını sağlayarak budak kusurlarını diğer nesnelerden bağımsız olarak ortaya çıkmasını sağlayan en iyi yöntem tespit edilmeye çalışılmıştır.Sonrasında, morfolojik işlemler ile budak kusur yerleri ve dağılımları tespit edilerek budak kusurlu bölgeler görüntüden tek tek çıkarılmıştır. Bu budak kusurlu bölgeler dalgacık moment (DM), moment değişmezleri yöntemi (IM), gri seviye eş oluşum matrisi(GLCM), IM+GLCM ve DM+GLCM momentleriyle ile öznitelikleri çıkarılmıştır. Çıkartılan öznitelikler belirtilen standartlara göre gruplandırılarak, ahşap üzerindeki budak tiplerine göre ahşap sınıflandırılması yapılmıştır. Sınıflandırılması yapılan ahşap üzerindeki her bir budağı tanıma aşamasında, en yakın k komşu yöntemi (KNN), yapay sinir ağları (YSA), doğrusal diskriminant analiz (LDA) ve Naive Bayes (BAYES) sınıflandırıcıları kullanılmıştır.Çalışmada bir saniyeden daha kısa bir sürede, döşemelik tahta üzerindeki budak kusurları tespit edilerek tahtanın kalite sınıfı ve budak kusur tiplerinin tanımlanması gerçekleştirilmiştir. Bu süre, bir insanın ahşap budak kusurlarını tanıma süresinin ortalamasından çok daha kısadır. Döşemelik tahta kalite sınıfı, standartlarda belirtilen budak kusurunun büyüklüğü ve adedine göre yaklaşık %98’lik bir oranla gerçekleştirilmiştir. Budak kusur tiplerinin tanımlanması işlemi ile ilgili olarak Oulu Üniversitesinden alınan budak veritabanı görüntüleri üzerinde yapılan çalışmada %98’lik bir başarı elde edilmiştir. İkinci olarak farklı ışık ortamlarında çekilmiş döşemelik tahta veritabanı görüntüleri üzerinde yapılan çalışmalarda ise %72’lik bir başarı elde edilmiştir. İki farklı veritabanı üzerinde yapılan çalışmalardaki başarı sonuçlarındaki farklılıkların sebepleri arasında görüntülerin alındığı ortam, gölge etkisi, ışık yansıması, ışık, ahşap üzerinde her noktadaki parlaklığın aynı olmaması bulunmaktadır. Bu gibi sebeplerden dolayı görüntüde meydana gelen olumsuz etkileri ortadan kaldırabilecek şekilde bir sistem aracılığıyla elde edilebilecek görüntüler üzerinde yapılan deneysel çalışmalarda tip belirleme başarı oranının %98'e kadar artırılabileceği tespit edilmiştir. Anahtar kelimeler: Ahşap, kızılçam, budak kusur tespiti, öznitelik çıkarma, kalite sınıflandırma
In this thesis, quality of class of final product is intended to automatically determine by setting properly distribution and number of defects on wood. Nowadays number of defects and quality of wood is determined by their distribution. The most common type of defect is called knot by reducing the resistance of a wooden part. Selection and classification of wood manually is difficult, costly and time-consuming process. At this point automatic defect detection methods have been proposed to affect the quality of the final product and defects are accurately automatically identified and analyzed. Automatic defect detection methods that are recognize opportunities in more intelligent, accurate and reliable way is to allow to be classified according to the quality of wood, reduction of labor costs, and better utilization of resources by increasing productivity in the forest products industry.Automatic defect detection methods consist of two stages that are the determination of location of defect used in the forest products industry and including identification of this defect type. The basic of these methods begin with the acquisition of desired wood images of finding defects. Normalization of images and removal of noises are preprocesses which are needed to be done. By digitized defects with extraction and classification of features may be performed to type identification.Floorboards image databases obtained under certain conditions which are used to ensure the realization of this thesis. Knot classes are determined according to TS 11790 and EN 13990 standards based on the size of knot on this image databases.Binary on different standards and databases and three different threshold methods were applied. The comparison was made by applying different threshold methods that are connected to standard deviation with an average, the minimum cross-entropy-based, iterative-based. These threshold methods have been tested in all the images contained in databases. Best method that providing independent of other objects of defects was studied to determine by removing non-defective regions in background from defects in the foreground in these experiments. Then, the defective regions are removed individually from the image by detecting locations and distributions of defects with morphological operations. If these defective regions are knot, features are extracted with wavelet moment (DM), moment invariant method (IM), gray level co-occurrence matrix (GLCM), IM+GLCM and DM+GLCM moments. Wood classification is made according to the type of knot on wood by grouping of extracted features are according to specified standards. K nearest neighbor method (KNN), artificial neural network (YSA), linear discriminant analysis (LDA) and Naive Bayes (BAYES) classifiers are used in recognition stage of each knot on classification wood.In the study, determination of knot defect types and quality class of board by detection of knot defects on the floorboard in a shorter time than a sec are carried out. This time is much shorter than a human’s average identification the time of all wood defects.The floorboard quality class is carried out approximately a rate of 98% determined according to number and size of knot defect specified in the standards. In the study has been achieved a 98% success on knot image database taken from the University of Oulu with regarding to identification process of knot defect types. Secondly, in the study a 72% success has been achieved on floorboard image database captured in different lighting environments. Light reflection, the light, the brightness of each point on the wood are not the same, image captured environment, shadow effect are found between differences causes of study success results on two different database.Such reasons, the types determine success rate can be increased up to 98% which is determined in experimental studies performed on images that can be obtained through a system the negative effects on the image which may eliminate. Keywords: Wood, pine, knot defect detection, feature extraction, quality classification.
Tez (Doktora) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Orman Mühendisliği Anabilim Dalı, 2014.
Kaynakça var.
Bu tez çalışmasında, kızılçam ağacından sadece budak faktörüne göre elde edilen ahşap döşeme tahtalarının kalite sınıfının görüntü işleme teknikleri kullanılarak belirlenmesini hedefleyen bir çalışma gerçekleştirilmiştir.Günümüzde ahşabın kalitesi, kusurların sayısı ve onların dağılımları ile belirlenmektedir. Bir ahşap parçasının direncini azaltan en genel kusur tipine budak denilmektedir. Ahşapların el ile seçilmesi ve sınıflandırılması zor, maliyetli ve zaman alıcı bir işlemdir. Bu noktada, son ürünün kalitesini etkileyen ve budak kusurlarını doğru bir şekilde otomatik olarak tanımlanmasını ve incelenmesini sağlayan otomatik budak kusur tespit yöntemleri öne sürülmüştür.Otomatik budak kusur tespit yöntemleri, orman ürünleri endüstrisinde verimliliği artırarak kaynaklardan daha iyi yararlanılmasına, işçilik maliyetlerinin azaltılmasına, daha akıllı, doğru ve güvenilir bir şekilde kerestelerin kalitelerine göre sınıflandırılmasına imkân tanımaktadır.Otomatik budak kusur tespit yöntemleri, ahşap budak kusurlarının yerlerinin belirlenmesi ve bu budak kusur tiplerinin tanımlanması olmak üzere iki aşamadan oluşmaktadır. Budak kusurlarının bulunması istenen ahşap görüntülerin elde edilmesiyle başlamaktadır. Görüntülerin normalleştirilmesi ve gürültülerin temizlenmesi yapılması gereken ön işlemlerdir. Özniteliklerin çıkarılması ve sınıflandırılması ile budak kusurları sayısallaştırılarak tip tanımlaması yapılmaktadır.Bu tez çalışmasının gerçekleştirilmesini sağlayabilmek için belirli şartlar altında elde edilmiş döşemelik tahta görüntü veritabanları kullanılmıştır. Bu görüntü veritabanları üzerinde budak büyüklükleri baz alınarak budak sınıfları TS 11970 ve TS EN13990 standartlarına göre belirlenmiştir.Belirtilen standartlar ve veritabanları üzerinde ikilileştirme ve dört farklı eşikleme yöntemi uygulanmıştır. Otsu, İteratif tabanlı, minimum çapraz entropi tabanlı ve ortalama ile standart sapmaya bağlı farklı eşikleme yöntemleri uygulanarak karşılaştırma yapılmıştır. Belirtilen eşikleme yöntemleri karşılaştırma yapabilmek için veritabanında bulunan tüm görüntüler üzerinde deneysel çalışmalar yapılmıştır. Bu deneysel çalışmalarda, ön plandaki budak kusurlarını arka plandaki budak kusuru olmayan bölgelerden etkili bir şekilde kaldırılmasını sağlayarak budak kusurlarını diğer nesnelerden bağımsız olarak ortaya çıkmasını sağlayan en iyi yöntem tespit edilmeye çalışılmıştır.Sonrasında, morfolojik işlemler ile budak kusur yerleri ve dağılımları tespit edilerek budak kusurlu bölgeler görüntüden tek tek çıkarılmıştır. Bu budak kusurlu bölgeler dalgacık moment (DM), moment değişmezleri yöntemi (IM), gri seviye eş oluşum matrisi(GLCM), IM+GLCM ve DM+GLCM momentleriyle ile öznitelikleri çıkarılmıştır. Çıkartılan öznitelikler belirtilen standartlara göre gruplandırılarak, ahşap üzerindeki budak tiplerine göre ahşap sınıflandırılması yapılmıştır. Sınıflandırılması yapılan ahşap üzerindeki her bir budağı tanıma aşamasında, en yakın k komşu yöntemi (KNN), yapay sinir ağları (YSA), doğrusal diskriminant analiz (LDA) ve Naive Bayes (BAYES) sınıflandırıcıları kullanılmıştır.Çalışmada bir saniyeden daha kısa bir sürede, döşemelik tahta üzerindeki budak kusurları tespit edilerek tahtanın kalite sınıfı ve budak kusur tiplerinin tanımlanması gerçekleştirilmiştir. Bu süre, bir insanın ahşap budak kusurlarını tanıma süresinin ortalamasından çok daha kısadır. Döşemelik tahta kalite sınıfı, standartlarda belirtilen budak kusurunun büyüklüğü ve adedine göre yaklaşık %98’lik bir oranla gerçekleştirilmiştir. Budak kusur tiplerinin tanımlanması işlemi ile ilgili olarak Oulu Üniversitesinden alınan budak veritabanı görüntüleri üzerinde yapılan çalışmada %98’lik bir başarı elde edilmiştir. İkinci olarak farklı ışık ortamlarında çekilmiş döşemelik tahta veritabanı görüntüleri üzerinde yapılan çalışmalarda ise %72’lik bir başarı elde edilmiştir. İki farklı veritabanı üzerinde yapılan çalışmalardaki başarı sonuçlarındaki farklılıkların sebepleri arasında görüntülerin alındığı ortam, gölge etkisi, ışık yansıması, ışık, ahşap üzerinde her noktadaki parlaklığın aynı olmaması bulunmaktadır. Bu gibi sebeplerden dolayı görüntüde meydana gelen olumsuz etkileri ortadan kaldırabilecek şekilde bir sistem aracılığıyla elde edilebilecek görüntüler üzerinde yapılan deneysel çalışmalarda tip belirleme başarı oranının %98'e kadar artırılabileceği tespit edilmiştir. Anahtar kelimeler: Ahşap, kızılçam, budak kusur tespiti, öznitelik çıkarma, kalite sınıflandırma
In this thesis, quality of class of final product is intended to automatically determine by setting properly distribution and number of defects on wood. Nowadays number of defects and quality of wood is determined by their distribution. The most common type of defect is called knot by reducing the resistance of a wooden part. Selection and classification of wood manually is difficult, costly and time-consuming process. At this point automatic defect detection methods have been proposed to affect the quality of the final product and defects are accurately automatically identified and analyzed. Automatic defect detection methods that are recognize opportunities in more intelligent, accurate and reliable way is to allow to be classified according to the quality of wood, reduction of labor costs, and better utilization of resources by increasing productivity in the forest products industry.Automatic defect detection methods consist of two stages that are the determination of location of defect used in the forest products industry and including identification of this defect type. The basic of these methods begin with the acquisition of desired wood images of finding defects. Normalization of images and removal of noises are preprocesses which are needed to be done. By digitized defects with extraction and classification of features may be performed to type identification.Floorboards image databases obtained under certain conditions which are used to ensure the realization of this thesis. Knot classes are determined according to TS 11790 and EN 13990 standards based on the size of knot on this image databases.Binary on different standards and databases and three different threshold methods were applied. The comparison was made by applying different threshold methods that are connected to standard deviation with an average, the minimum cross-entropy-based, iterative-based. These threshold methods have been tested in all the images contained in databases. Best method that providing independent of other objects of defects was studied to determine by removing non-defective regions in background from defects in the foreground in these experiments. Then, the defective regions are removed individually from the image by detecting locations and distributions of defects with morphological operations. If these defective regions are knot, features are extracted with wavelet moment (DM), moment invariant method (IM), gray level co-occurrence matrix (GLCM), IM+GLCM and DM+GLCM moments. Wood classification is made according to the type of knot on wood by grouping of extracted features are according to specified standards. K nearest neighbor method (KNN), artificial neural network (YSA), linear discriminant analysis (LDA) and Naive Bayes (BAYES) classifiers are used in recognition stage of each knot on classification wood.In the study, determination of knot defect types and quality class of board by detection of knot defects on the floorboard in a shorter time than a sec are carried out. This time is much shorter than a human’s average identification the time of all wood defects.The floorboard quality class is carried out approximately a rate of 98% determined according to number and size of knot defect specified in the standards. In the study has been achieved a 98% success on knot image database taken from the University of Oulu with regarding to identification process of knot defect types. Secondly, in the study a 72% success has been achieved on floorboard image database captured in different lighting environments. Light reflection, the light, the brightness of each point on the wood are not the same, image captured environment, shadow effect are found between differences causes of study success results on two different database.Such reasons, the types determine success rate can be increased up to 98% which is determined in experimental studies performed on images that can be obtained through a system the negative effects on the image which may eliminate. Keywords: Wood, pine, knot defect detection, feature extraction, quality classification.