Mikroskopta incelenen karbonat kayalarda dokunun türünün belirlenmesi jeolojik araştırmalarda önemlidir. Petrol sondajlarında olduğu gibi kayaç örneklerinin hızlı bir şekilde değerlendirilmesi gereken durumlarda bu örneklerin tanımlanması görüntü işleme teknikleri ve yapay sinir ağları kullanılarak hızlı bir şekilde yapılabilir. Daha önceki bir çalışmada, bu yöntem kullanıldığı zaman kireçtaşı örneğinin, Dunham (1962) sınıflamasında çamurtaşı, vaketaşı, istiftaşı, tanetaşı olarak sınıflanan örneklerin yapay sinir ağları kullanılarak % 93 oranında dokunun doğru olarak belirlenebileceği yayınlanmıştır. Bu çalışmaise daha önce denenmiş yukarıdaki yöntemin İzmit ve çevresindeki Akveren formasyonu kayaç örneklerine uygulanmasıdır. Akveren formasyonundan alınan kayaç örneklerinden 45 adet ince kesit yapılmıştır. Bu ince kesitlerin fotoğrafları çekilerek bu görüntüler bilgisayarda MATLAB programında “Sobel” filtresi kullanılarak görüntü işleme çalışması ve sonra yapay sinir ağları kullanılarak yukarıdaki 4 sınıftan hangisine yerleşeceği konusu irdelenmiş ve mikroskopta belirlenen doku sınıflamasıyla karşılaştırılmıştır

The determination of the texture in the carbonate rocks examined by microscope is important in the geological researches. Similar to oil drillings operations, quick determination of the rock samples is possible using image processing techniques and artificial neural networks. A previous study using this method when the limestone samples, in Dunham (1962) classification as mudstone, vackestone, packstone, grainstone of the sample by using artificial neural networks at a rate of 93% of the texture may be determined as accurately have been published. In this study, a similar method has been applied to the sample rocks known as Akveren formation located at İzmit and around. Using the samples from Akveren formation, 45 units with thin sections were made. The photos of thin cross-section were taken, then these pictures have been processed on the computer using MATLAB software. During the imageprocessing, "Sobel" filter was used. Then, by using artificial neural networks, the samples were examined in order to classify