Agregaların Temel Şekil Özellikleri Kullanılarak Yapay Sinir Ağları Yardımıyla Sınıflandırılması

Bu çalışmada, asfalt ve beton karışımlarında kullanılan doğal ve kırma taş agregaların görüntü işleme teknikleri kullanılarak elde edilen tanımlayıcı vektörlerinin yapay sinir ağları yardımıyla sınıflandırılması amaçlanmaktadır. Farklı şekil özelliklerine sahip (yassı, uzun, yuvarlak, köşeli, küre) 5 iri agrega türünün 45o ve 90o lik açılardaki 7.1 Mp (Canon EOS 350D) ve 10 Mp (Sony DSC-R1) çözünürlüğe sahip 2 farklı dijital fotoğraf makinesinden elde edilen görüntüleri, MATLAB programının Görüntü İşleme Araç kutusu kullanılarak ön işlemlerden geçirilmiştir. Agregalara ait her iki açı için ayrı ayrı 9 ve toplam da 18 öznitelik vektörü bulunarak yapay sinir ağları yardımıyla sınıflandırma işlemi gerçekleştirilmiştir. Sonuçlar, görüntü işleme ve yapay sinir ağlarının agrega özelliklerinin tespiti ve ayırımı için etkili yöntemler olduğunu göstermiş ve agrega ocaklarındaki otomasyon sistemlerin bu tarz yaklaşımlar ile verim, maliyet ve zaman faktörlerini etkileyeceğini ortaya koymuştur.

Anahtar Kelimeler:

Agrega, Görüntü işleme, Yapay sinir ağları.

Classification of Aggregates Using Basic Shape Parameters Through Neural Networks

In this paper, the aim is to classify natural or crushed aggregates by using concrete and asphalt mixes through Artificial Neural Networks. For classification, it was a used the feature vector which was calculated by using digital image processing techniques. Of the five different type coarse aggregates images were taken with 45o and 90o by a 10 Mp (Sony DSC-R1) and 7.1 Mp (Canon EOS 350D) camera. Aggregates images were processed and analyzed by using MATLAB Image Processing and Neural Network Toolbox. Classification process was made with totally 18 feature vectors, which is 9 vectors each angles, by neural network. Results showed image processing and neural networks which are important methods for founding shape parameters and classification of aggregates, and performance, cost and time consuming factors of automation systems in aggregate sources will be effective with these methods.

Keywords:

Aggregate, Digital image processing, Artificial neural networks.,

PDF

___

Ahlrich, R. C. 1996. Influence of aggregate properties on performance of heavy-duty hot-mix asphalt pavements, Transportation Research Record 1547, TRB, National Research Council. 7-14.
Bishop, C. M. 1995. Neural Networks for Pattern Recognition, Oxford University Press, USA; 1 edition.
Dilek, U. 2000. Effects of Manufactured Sand Characteristics on Properties of Concrete, Ph.D. Thesis, North Caroline State University.
Garboczi, E. 2001. Three-dimensional mathematical analysis of particle shape using X-ray tomography and spherical harmonics: Application to aggregates used in concrete, Cement and Concrete Research, pp. 1621-1638.
Haykin, S. 1998. Neural Networks: A Comprehensive Foundation (2nd Edition) (Hardcover), Prentice Hall, 2nd edition.
Isa, N. A. M., Al-Batah, M. S., Zamli, K. Z., Azizli, K. A., Joret, A. and Noor, N. R. M. 2008. Suitable features selection for the HMLP and MLP networks to identify the shape of aggregate, Construction and Building Materials, Volume: 22, Issue 3, March 2008, Pages: 402-410.
Jaakkola, T. and Haussler, D. 1999. Probabilistic kernel regression models, in Proceedings of the 1999 Conference on AI and Statistics.
Janoo, V.C. 1998 “Quantification of shape, angularity, and surface texture of base course materials”, CRREL Special Report No. 98-1, Cold Regions Research and Engineering Laboratory, USA, 1998.
Quiroga, P.N. 2003. The effect of the aggregate characteristics on the performance of Portland cement concrete, Ph.D. Thesis, The University of Texas at Austin.