Ali topal

MODİFİYE BİTÜMLERDE GÖRÜNTÜ ANALİZİ İLE MODİFİYE EDİCİ KATKI TİPİ VE KATKI ORANININ BELİRLENMESİ

Şevket GÜMÜŞTEKİN1, Ali TOPAL2, Burak ŞENGÖZ2

1 İzmir Yüksek Teknoloji Enstitüsü, Elektrik Mühendisliği Bölümü, İzmir2 Dokuz Eylül Üniversitesi, İnşaat Mühendisliği Bölümü, İzmir

1

Mikroskobi Polimerlerin saf bitüm içindeki dağılım homojenliğinin kontrolü

Görsel değerlendirmeler

o Zengin bitüm fazı,

o Zengin polimer fazı

o Ara faz

Sübjektif değerlendirmeler Yetersiz bilgi

Kalite kontrolü Laboratuvar deneyi ihtiyacı


Giriş

*Dkraton = 1.4257x2 - 1.2658x

R2 = 0.9518

0

5

10

15

20

25

30

35

40

45

50

0 1 2 3 4 5 6 7

Polymer content (% )

Pol

ymer

dis

trib

utio

n ar

ea (%

)

.

Regression analysis between the polymer content and polymer distribution

Saf bitüm içerisinde polimer dağılım %’leri

2

Görüntü analizleri ile dokusal özelliklerin tanımlanması ve doku örneklerinin sınıflandırılması yaygın bir çalışma alanı haline gelmiştir.

Bu amaçla kullanılan en önemli yöntemlerden biri, görüntülerin Gaborsüzgeçlerinden geçirildikten sonra, farklı ölçek ve yöne karşılık gelen süzgeç tepkilerinin dokuyu tasvir eden öznitelikler olarak kullanılmasıdır.

Gabor süzgeçlerinin kullanıldığı çok sayıdaki doku analizi çalışmaları arasında;

İçerik tabanlı görüntü çıkarma, Uzaktan algılama, Hata sezme, Biometrik tanıma, Tıbbi görüntü analizi, Nesne tanıma, Yazı görüntüsü işleme,


gibi farklı uygulamalar yer almaktadır.

3

ANAFİKİR:

Bitüm içinde dağılan polimerin doku karakteristikleri PMB’ün fiziksel ve kimyasal özellikleri ile doğrudan ilgilidir.

Farklı oranlarda Polimer katkı içeren PMB görüntüleri farklı doku karakteristiklerine sahiptir.

AMAÇ:

Bitüm içinde dağılan polimerin tipi ve oranına bağlı olarak değişen doku özelliklerinin görsel araçlarla değerlendirilmesi, sübjektif değerlendirmeleri ortadan kaldırılabilmesi,

Bu özelliklerin Gabor süzgeçlerinden elde edilen öznitelikler yardımıyla kullanılması ve bu sayede farklı katkı maddelerinin ve katkı oranlarının sadece görüntülerin kullanılmasıyla sınıflandırılması hedeflenmiştir.


4


Bu çalışmada;

PMB Farklı katkı maddeleri

Farklı karışım oranları

Optik mikroskopi 3 farklı büyütme

İnce kesit

Yüksek çözünürlüklü

görüntü

Doku Analizi GABOR süzgeçleri

Öznitelikler

Sınıflandırma

Kraton®1101 (SBS-1)Soltene®6302 (SBS-2)Evatene®2805 (EVA-1)Elvaloy®4170 (EVA-2)Elvaloy®3427 (EBA)

40×, 100×, 400×

100 * 5 * 3 = 1.500 Adet (Veri Kümesi)12 * 5 * 3 = 180 Adet (Test kümesi)

% 2-6% 2-6% 3-7% 1,5-1,75% 2-6

A, B, C yöntemleri

En Yakın Komşuluk (KNN)

36 Gabor özniteliği

Kapsam

5

Doğada çok farklı doku tipleri vardır. Gözümüz bu doku farklılıklarını kolayca ayırt edebilir.Bununla birlikte sadece gri renk tonlarını kullanarak bu dokuları sayısal olarak da ifadeetmek mümkündür. (Örn: koyu ya da açık piksel sayıları, gri seviye histogramı vb.)

Brodatz doku veritabanından farklı doku örnekleri


PMB doku örnekleri

6

400X

100X

40X

400X

100X

40X

EBA EVA-1 EVA-2


400X

100X

40X

7

SBS-1 SBS-2

400X

100X

40X

400X

100X

40X


8

Doku Analiz Metodları

Dijital görüntüleme ile doku analizi genellikle 4 farklı kategoride

– Yapısal– İstatistiksel– Model-tabanlı– Dönüşüm tabanlı

Bu çalışmada dönüşüm tabanlı model kullanılmıştır. Gabor dönüşümü

Gabor filtreleri insan görme sistemine benzer özellikler sergiler ve dokuların ifade edilmesi ve ayrılması için uygun olabilecek bir yöntemdir.Gabor filtreleri yönlendirilebilir ve ölçeklenebilir Gauss filtrelerinden oluşmaktadır.


9

Gabor filtrelerinin tasarlanması

Bu uygulamada, Gabor filtreleri tamamen 2B frekans alanını kapsayacak şekilde tasarlanmıştır.

Şekil’de gösterilen görüntünün 3 farklı frekans aralığı ve 12 farklı yön için 36 farklı filtreleme sonucu ortaya çıkan imgelerin genlik boyutları yer almaktadır.

Her filtrenin görüntü üzerindeki tepkisi frekans karakteristiğine özgü sadece sinyal içeriğini tanımlar.


10

Gabor filtrelerinin PMB görüntülerine uygulanması

PMB örneği üzerinde 12 farklı yönde (kolon) ve 3 farklı ölçekte (sıra) Gabor filtrelerinin uygulanması sonuçları


p q

mnmnyxGqypxIyxI ),(),(),(

*

11

Gabor filtre tepkilerinden öznitelik vektörü elde edilmesi

Gabor filtreleri M×N büyüklüğündeki I imgesi üzerinde uygulandığında (m,n) ölçek ve yönüne karşılık gelen Gabor dönüşümü gerçekleştirilir. Burada “*” karmaşık eşleniktir.

M×N (ölçek sayısı × yön sayısı) farklı görüntünün ortalama ve sapma değerleri dokuların ifade edilmesini sağlamak amacıyla kullanılmaktadır *16+.

Bu değerelerin bir araya getirilmesi ile öznitelik vektörü elde edilir .

Vektör boyu: 72 (=2*M*N)

MN

yxImn

x y

mn

mn

2)),((

MN

yxI

x y

mn

mn

),(

},,....,,,...,,,,{)1)(1()1)(1(0)1(0)1(10100000

KSKSSS

F

p q

mnmnyxGqypxIyxI ),(),(),(

*


12

Öznitelik vektörleri arasındaki uzaklık

İki öznitelik vektörü ( , ) arasındaki uzaklık standart sapma ile normalize edilerek hesaplanır:

Böylece iki doku örneğinin ne kadar benzer (ya da uzak) olduğunu nicel olarak ifade edebiliriz

2

),(

)()(

2

),(

)()(

)()(),(

nm

j

mn

i

mn

m n nm

j

mn

i

mnjid

)( iF

)( jF

1,...,1,01,...,1,0 KnSm


13

K-en yakın komşuluk (K-NN) sınıflandırması

2B bir öznitelik uzayında farklı sınıflara ait uzaylar komşularının bilinen sınıflarına göre sınıflandırılır:

Sınıfı bilinmeyen bir örnek k komşu içinden en fazlasının üye olduğu sınıfa ait olarak belirlenir ( eğer k=1 ise , en yakın komşunun sınıfı atanır )

Bizim çalışmamızdaki öznitelik boyutu 72 B!


14

K-NN Yöntemi ile Doku Sınıflandırılması

Bu çalışmada, k parametresinin 1-5 arası değerleri için hesaplanan sonuçların ortalaması kullanılmıştır.

K en yakın komşu sınıflandırması, leave one out çapraz doğrulama tekniği kullanılarak PMB’ler üzerinde Gabor özniteliklerinin test edilmesinde kullanılmıştır.

o Her bir grup örneği bilinen bir sınıfı, geri kalan görüntü örnekleri test kümesi olarak kullanılır.

o Her bir görüntüden elde edilen öznitelikler ideal olarak aynı gruba ait diğer 11 görüntüye çok yakın olmalıdır.

K-NN sınıflandırması ile doğru olarak sınıflandırılan sorgu kümesi oranı, sorgu sınıfının başarı oranı olarak kaydedilir.


15

ANALİZ

Herhangi bir insan, PMB görüntülerinin fiziksel özelliklerini büyük ölçüde ayırt edebilir.

Bilgisayar ortamında fiziksel özellikleri ayırt edebilme işlemlerini otomatik olarak gerçekleştirebilmek için görüntülere ait temel özellikleri ortak olan sınıfların belirlenmesi gerekmektedir.

Her bir polimer tipi ve içeriğinde hazırlanan PMB örneklerinden üç farklı büyütme (40×, 100×, 400×) altında 12’şer (12x5x3=180) adet görüntü alınmıştır.

36 Gabor özniteliği olan bir veri kümesi hesaplamada kullanılmıştır.

Her bir görüntüden elde edilen öznitelikler ideal olarak aynı gruba ait diğer 11 görüntüye çok yakın olmalıdır.


16

Gabor özniteliklerinin Sınıflandırmada kullanımı için testler

Gabor özniteliklerinin bitüm görüntülerini ne kadar iyi ifade ettiğini belirlemek için 3 farklı test uygulanmıştır:

Test 1: PMB örnekleri içinde farklı katkı oranlarına dair alt gruplara ait 12 görüntüden her birine ait öznitelik vektörü sırayla sorgulama amacıyla kullanılır. Aynı yakınlaştırma derecesinde (400×, 100× veya 40×) görüntülenen tüm farklı katkı oranlı görüntülerden elde edilen öznitelikler sorgulamada kullanılır.

Test 2: Katkısız ve katkılı tüm görüntüler içinden (Farklı büyütmeler için toplam 300 görüntü arasından) her bir görüntü için sorgulama yapılır. Bir sınıfa ait 12 görüntünün ortalama K-NN sınıflandırma başarısı, sınıfın ortalama başarısı olarak kaydedilir.

Test 3: Katkısız ve katkılı tüm görüntüler ana gruplarda birleştirilir ve (Katkısız, EBA, EVA ve SBS) her bir görüntü için sorgulama yapılır. O gruba ait N görüntünün ortalama K-NN başarısı grubun ortalama başarısı olarak kaydedilir.


17

ANALİZ SONUÇLARI

Polymer

tipi

İçerik

(%)

400× 100× 40×

A

(%)

B

(%)

C

(%)

A

(%)

B

(%)

C

(%)

A

(%)

B

(%)

C

(%)

SB

S-1

2 100 100 100 100 100 100 82 82 82

3 90 92 92 100 100 100 97 100 97

4 40 15 15 80 78 85 62 43 78

5 87 78 85 55 52 47 88 90 92

6 85 83 85 93 90 97 95 87 88

Ort 80 74 75 86 84 86 85 80 87

100X için SBS-1 görüntülerinin

GPLVM yöntemi ile 72den 2ye

indirgenmiş öznitelik uzayında yerleşimi

SBS-1 içindeki sorgulama sonuçları


18

ANALİZ SONUÇLARIPolimer

tipiİçerik

400× 100× 40×

A

(%)

B

(%)

C

(%)

A

(%)

B

(%)

C

(%)

A

(%)

B

(%)

C

(%)

EB

A

2 90 88 90 75 75 75 70 70 75

3 98 100 88 88 97 98 90 90 90

4 82 72 75 57 82 95 90 88 90

5 77 100 100 83 77 83 92 100 100

6 95 90 95 88 100 98 55 73 73

EV

A-1

3 18 18 18 80 78 70 43 40 42

4 88 88 88 20 20 23 58 58 58

5 30 58 67 75 92 92 68 82 85

6 88 83 87 100 100 100 85 85 72

7 97 92 100 67 60 68 92 93 97

ElV

A-2

0.5 18 18 18 18 18 18 48 48 37

1 60 60 60 97 97 97 10 10 12

1.5 72 72 71 73 73 73 20 20 15

1.75 98 98 98 65 65 65 30 30 17

SB

S-1

2 27 25 27 58 58 58 22 22 8

3 78 78 83 100 100 100 95 98 93

4 42 15 7 50 52 33 48 45 67

5 82 83 83 43 42 30 45 42 43

6 82 82 83 75 75 82 70 55 78

SB

S-2

2 50 52 52 87 82 87 98 97 92

3 43 42 33 83 78 83 85 83 80

4 90 90 90 80 82 83 65 68 68

5 45 35 40 100 100 100 75 78 60

6 60 87 72 93 83 88 75 75 67

Ortalama 68 69 69 72 73 74 65 66 65

400X ölçekleme durumunda tüm PMB

örneklerinin, GPLVM yöntemi ile 72den 2ye

indirgenmiş öznitelik uzayında yerleşimi


19

ANALİZ SONUÇLARI

Polimer Tipi

400× 100× 40×

A

(%)

B

(%)

C

(%)

A

(%)

B

(%)

C

(%)

A

(%)

B

(%)

C

(%)

Saf 87 87 87 38 38 38 100 100 100

EBA 93 93 91 89 95 95 71 74 66

EVA 97 97 98 92 92 92 93 94 94

SBS 90 90 90 95 95 95 88 88 88

Ortalama 92 92 91 78 80 80 88 89 87

Ma

tris

400×Yöntem A

100×Yöntem B

40×Yöntem C

Saf

(%)

EBA

(%)

EVA

(%)

SBS

(%)

Base

(%)

EBA

(%)

EVA

(%)

SBS

(%)

Base

(%)

EBA

(%)

EVA

(%)

SBS

(%)

Saf 87 0 13 0 38 2 42 18 100 0 0 0

EBA 0 93 3 4 0 95 4 1 0 66 31 3

EVA 0 1 97 2 1 2 92 5 0 4 94 2

SBS 0 1 9 90 0 0 5 95 0 0 12 88

Üç farklı büyütme derecesive test kombinasyonu için

karşılaştırma matrisi: Her bir satır atanan

sınıfların bir sorgu sınıfı ve yüzdesini temsil eder.

Tüm modifiye bitüm görüntülerinden sınıf sorgulama sonuçları


20

Mikroskop altında farklı yakınlaştırma derecelerinde görüntülenen PMB görüntüleri üzerinde üç farklı test uygulanmıştır.

Bu testler örneklerin gruplandırması ve sorgulama uzayının büyüklüğü açısından birbirinden farklıdır.

Test sonuçları, uygun yakınlaştırma derecesi ve yöntem seçildiği takdirde bitüm görüntülerinin büyük ölçüde doğru olarak sınıflandırılabildiğini göstermiştir.

Mekanik bir test uygulamadan sadece görüntüler üzerinde kısa zamanda uygulanabilen bu testler sayesinde denetleme ve kalite kontrolü gibi uygulamalar oldukça güvenilir bir şekilde kolayca gerçekleştirilebilir.

Örnek fotoğrafların gösterildiği görüntülerden de görülebileceği gibi birbirinden görsel olarak kolayca ayrılabilen sınıflara ait örneklerde doğru sınıfa atama başarımının fazla olduğu, diğer sınıflara görsel benzerlik gösteren sınıflar için ise başarım yüzdesinin düşük olduğu görülmüştür.


SONUÇLAR

21

Nitel yaklaşımla uyumlu olduğu görülen nicel sonuçlarımız, doku analizi kullanarak hangi sınıflar için güvenilir bir otomatik sorgulama yapılabileceğini göstermektedir.

Üç farklı test uygulanmış, birinci testte her bir katkı maddesinin farklı oranlarda eklendiği grup içinde dokusal özelliklerin katkı oranını tespit etmek için ne kadar faydalı olduğu araştırılmıştır. Bazı katkı türleri ve yaklaştırma faktörleri için bu testin %100’e yakın doğru sonuç verdiği görülmüştür.

İkinci testte bütün katkı maddeleri ve katkı oranları birlikte incelenmiş, bazı durumlar için dokusal özelliklerin çok ayırıcı olduğu görülmüştür.

Üçüncü test katkı sınıflarının birbirinden ne kadar ayrık olduğunu göstermektedir.

Gabor öznitelikleri kullanılarak PMB görüntülerinin dokusal özellikleri incelendiğinde bitüme eklenen katkı maddelerinin ve bu maddelerin hangi oranda eklendiğinin algılanmasının büyük ölçüde mümkün olduğu görülmüştür.

Gabor süzgeçlerinden elde edilen öznitelikler PMB örnekleri üzerinde otomatik olarak sınıflandırma amacıyla kullanılabilecektir.


SONUÇLAR

22

Teşekkürler..Çalışma, 104M559 No’lu Türkiye Bilimsel ve Teknolojik Araştırma Kurumu

tarafından desteklenmiştir.

Şevket GÜMÜŞTEKİN1, Ali TOPAL2, Burak ŞENGÖZ2

1 İzmir Yüksek Teknoloji Enstitüsü, Elektrik Mühendisliği Bölümü, İzmir2 Dokuz Eylül Üniversitesi, İnşaat Mühendisliği Bölümü, İzmir

E-Posta: [email protected]




23

mailto:[email protected]













Documents

Ali topal