طبقه بندي سنگ هاي تراورتن با استفاده از شبكه هاي عصبي كانولوشني

Classification of Travertine Stones Using Convolutional Neural Network

امروزه استفاده از سنگ‌هاي تراورتن به دليل تنوع زياد در رنگ و شكل ظاهري، بسيار رايج شده است. از اين لحاظ صنعت استخراج و فراوري اين كالا در كشور ايران افزايش يافته است. تاكنون مجموعه تصاوير كاملي از اين نمونه سنگ تهيه نشده بود، بنابراين در اين تحقيق مجموعه‌اي از تصاوير 11 نوع سنگ تراورتن به منظور پردازش، تهيه شد. سيستم عكس‌برداريبه صورت كاملاً استاندارد تهيه شده و شامل يه دوربين 18مگاپيكسلي و يك محفظه بسته به همراه دو عدد لامپ فلورسنت است. در اين تحقيق براي اولين بار در شناسايي سنگ از استخراج‌كننده ويژگي شبكه كانولوشني استفاده گرديده است. به منظور طبقه‌بندي نيز از روش نزديك‌ترين همسايه، ماشين بردار پشتيبان، درخت تصميم و بيز استفاده شده است. نتايج نشان مي دهد كه در هنگام عدم استفاده از شبكه‌هاي كانولوشني بيشينه نرخ بازشناسي 68 درصد و در حالت استفاده از شبكه‌هاي كانولوشنيبه منظور استخراج ويژگي، نرخ بازشناسي به 96/14 درصد رسيد. در آزمايش‌ها، پايداري مدل پيشنهادي نسبت به چرخش تصاوير و همچنين نسبت به كاهش تعداد نمونه‌هاي آزمايشي سنجيده شد. نتيجه بازشناسي در حالت اول 99/9 درصد بدست آمد.

Nowadays, using of travertine stones due to the large variation in color and appearance, is very common. In this respect, industry of mining and processing of this product in Iran has increased. So far, the set of perfectimages fromthis stone sampleswas not produced, so in this study, set of 11 kinds of travertinewere takenfor processing. Imaging system to be fully standard prepared, and including of an 18-megapixel camera and a closed box with two fluorescent lamps. In this study, the firstis usedconvolutional network feature extractorfor identifyingstones. In order to classify is used the nearest neighbor method, support vector machines, decision tree and Bayes. Th e results show that, when not using theconvolutional network, the maximum recognition rate of 68% and in the case of using a convolutional network for feature extraction, recognition ratereached to 96.14%. In the experiments, the stability of the proposed model to rotate images and also to reduce the number of trained samples were measured. In the first case the result of recognition was 99.9%.