Akçaağaç türlerinin taramalı elektron mikroskobu görüntüleri kullanılarak otomatik olarak sınıflandırılması
Eftal Sehirli1, Hasan Sami Yaygingol21Karabük Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Karabük2Karabük Üniversitesi, Safranbolu Fethi Toker Güzel Sanatlar ve Tasarım Fakültesi, Endüstriyel Tasarım Bölümü, Safranbolu
Ahşap, yaylı çalgı yapımında kilit bir role sahiptir. Yaylı çalgılar genellikle bu konuda baskın olan Akçaağaç türlerinden yapılır. Ahşap türlerinin doğru sınıflandırılması, yaylı çalgıların sahtekarlık olmadan yüksek kaliteli malzemeler kullanılarak yapılması için çok önemlidir. Bu çalışmada, üç farklı Akçaağaç türüne ait altı farklı sınıfın taramalı elektron mikroskobu (SEM) görüntülerini doğru bir şekilde sınıflandırmak için akıllı bir uygulama geliştirilmiştir. Her bir sınıfa ait SEM görüntüleri ayrı ayrı farklı boyutlarda altı alt bölgeye ayrılmıştır. Her alt bölgede 11 özellik çıkarılmış ve her sınıf için sayısal veri kümeleri oluşturulmuştur. Çıkarılan özelliklerin etkinliği için tek değişkenli seçim, özellik önemi ve ısı haritası ile korelasyon matrisi olmak üzere üç özellik seçim tekniği uygulanmıştır. Akçaağaç türlerinin SEM görüntüleri, doğrudan sınıflandırma ve ikili sınıflandırma olmak üzere iki farklı yaklaşıma dayalı olarak beş kat çapraz doğrulama altında makine öğrenimi modelleri tarafından sınıflandırılmıştır. Doğrudan sınıflandırma yaklaşımına dayalı en iyi makine öğrenmesi modeli %82.3 doğruluk oranıyla Kuadratik DVM modeli olarak belirlenmiştir. İkili sınıflandırma yaklaşımının genel doğruluğu ise Kuadratic DVM ve Ensemble subspace discriminant (ESD) modellerinin birlikte çalışması sonucunda %92.1 olarak hesaplanmıştır. Bu çalışma temel olarak Akçaağaç türlerine ait SEM görüntülerinin sınıflandırılması, alt bölge analizi, özellik çıkarımı ve seçimi ile makine öğrenmesi modellerinin karşılaştırılmasına odaklanmaktadır.
Anahtar Kelimeler: Akçaağacı, Sınıflandırma, Makine Öğrenmesi, SEM GörüntüleriAutomated classification of wood types of acer using scanning electron microscopy images
Eftal Sehirli1, Hasan Sami Yaygingol21Department of Computer Engineering, Engineering Faculty, Karabük University, Karabük, Türkiye2Department of Industrial Design, Safranbolu Fethi Toker Fine Arts and Design Faculty, Karabük University, Safranbolu, Türkiye
Wood has a key role for string instrument making. String instruments are generally made of wood types of Acer which is dominant for this issue. Accurate classification of wood types is pivotal that string instruments must be made by using high qualified materials without fraud. In this study, an intelligent application was developed to accurately classify scanning electron microscopy (SEM) images of the six different classes belonging to three different wood types of Acer. SEM images of each class were individually divided into six subregions of different sizes. 11 features were extracted on each subregion, thus creating the numerical datasets for each class. For the effectiveness of the extracted features, three feature selection techniques, namely univariate selection, feature importance and correlation matrix with heatmap were applied. SEM images of wood types of Acer were classified by machine learning (ML) models under five-fold cross validation based on two different approaches as direct classification and binary classification. The best ML model based on direct classification approach was determined as Quadratic SVM model with accuracy of 82.3%. General accuracy of the binary classification approach was calculated as 92.1% as a result of the collaboration of Quadratic SVM and Ensemble subspace discriminant (ESD) models. This study mainly focuses on classification of SEM images of wood types of Acer, subregion analysis, feature extraction and selection, and comparison of ML models.
Keywords: Acer, Classification, Machine Learning, SEM ImageMakale Dili: İngilizce