Abstract:
Bu tezde, disiplinler arası bir çalışma sunulmuştur. Bu çalışmada, altı farklı agrega türü için üç-boyutlu (3B) şekil karakterizasyonu ve sınıflandırılması sunulmuştur. İlk aşamada, agrega görüntülerini çekmek için yeni bir 3B lazer tabanlı görüntüleme sistemi oluşturulmuştur. Görüntüleme sistemi görüntü alımı sırasında yaşanan sorunları minimize etmek için optimize edilmiştir. İkinci aşamada, agregaları karakterize eden yeni 3B şekil parametrelerini elde etmek amaçlanmıştır. Agregaların geometrik parametreleri 3B uzamsal düzlemde hesaplanmıştır. Son aşamada, agregalar bu parametreler yardımıyla farklı sınıflandırıcılarda (YSS, FLAA ve KNN) sınıflandırılmıştır. Bu sınıflandırıcı türlerinden en iyi başarımı (yüzde 99.20) veren çok katmanlı algılayıcı sinir ağı modelidir. Amaçlanan sistemin performansı elle ölçüm ve iki-boyutlu (2B) görüntü işleme yöntemleri kullanılarak değerlendirilmiştir. Sonuçlar literatürdeki çalışmalar ile karşılaştırılmış ve analiz edilmiştir In this thesis, an interdisciplinary study is presented. In this study, a method for three-dimensional (3D) shape characterization and classification is proposed for the six different aggregates. In the first phase, a new 3D laser based imaging system is designed to capture images of aggregates. The imaging system has been optimized to minimize the errors during image capturing. In the second phase, novel 3D shape characterization parameters of the aggregates are extracted. Geometrical parameters of the aggregates are calculated in 3D spatial domain. The last phase, the aggregates are classified by using different classifier models (ANN, FLDA and KNN) with the help of these parameters. Among the classifier types, multi-layer perceptron neural network model that has two hidden layers gives the best performance that is 99.20 percent. The performance of the proposed system is evaluated using manual measurement method and two-dimensional image processing method. Results are analyzed and compared with other studies given in the literature.
