POROZİTE ANALİZİNE DERİN ÖĞRENME YAKLAŞIMI: U-NET İLE DİNAMİK EŞİKLEME

Abstract

Gözenekli malzemelerin porozite değerinin belirlenmesinde birçok fiziksel yöntem kullanılmaktadır ve bu yöntemler genellikle maliyetli cihazlar marifetiyle uygulanmaktadır. Ayrıca malzemelerde farklı seviyelerde (mikro, mezo ve makro) gözeneklilik bulunması kullanılacak yöntem seçimini de etkilemektedir. Bunun yanında görüntü işleme yöntemleri kullanılarak da porozite değeri hesaplanabilmekte, böylece hem zaman hem de maliyet tasarrufu sağlanabilmektedir. Bu çalışmada görüntü işleme tekniğindeki eşik belirleme aşamasında ImageJ programı kullanılarak sayısal porozitesi eşikli görüntü olarak görüntü verisine aktarılmıştır. Oluşturulan eşikli etiket verileri ile girdi SEM görüntüleri eşlenmiş ve oluşturulan veriseti veri artırma teknikleri kullanılarak genişletilmiştir. Çalışmada evrişimli sinir ağlarının özelleşmiş bir versiyonu olan U-Net mimarisi kullanılmış ve U-Net mimarisi, mikroskop görüntülerini segmentlere ayırarak gözenekli bölgeleri belirlemiş ve bu segmentlerin eşiklenmiş görüntülerine dayalı olarak gözeneklilik değerleri hesaplanmıştır. Uygulamada literatürden elde edilen gözenekli malzemelerin SEM görüntüleri kullanılmış, etiket görüntüleri olarak ise Arşimet prensibindeki porozite değerlerine göre gözenekli malzemenin ikili çıktıları manuel olarak eşiklenerek kaydedilmiştir. Çalışma sonucunda genel olarak fiziki ölçümlerle korelasyon sağlamış ve derin öğrenmeden faydalanılan dinamik eşikleme sayesinde klasik görüntü işleme yöntemlerine göre daha başarılı sonuçlar elde edilmiştir.