1. GİRİŞ
İnsanlar varoluştan beri hep doğayı taklit etme gereği duymuşlardır. Bunların en yenilerinden birisi de
yapay sinir ağlarıdır. Yapay sinir ağları, insan beyninin çalışma mekanizmasını taklit ederek geliştirilen
ve biyolojik olarak insan beyninin yaptığı temel işlemleri belirli bir yazılımla gerçekleştirmeyi amaçlayan
mantıksal bir programlama tekniğidir. Bilgisayar ortamında beynin yaptığı işlemleri yapabilen, karar
veren, sonuç çıkaran, yetersiz veri durumunda var olan bilgiden yola çıkarak sonuca ulaşan, sürekli veri
girişini kabul eden, öğrenen, hatırlayan bir algoritmadır.
2. YAPAY SİNİR AĞLARININ YAPISI
Yapay sinir ağlarındaki işleme elemanları biyolojik olarak insan beynindeki nöronlara karşılık
gelmektedir. Şekil 1’de gösterildiği gibi biyolojik nöron, çekirdek, gövde ve iki uzantıdan oluşmaktadır.
Bunlardan kısa ve dallanmış olan dentrit giriş bilgilerini alır, uzun ve tek olan akson ise çıkış bilgilerini
diğer nöronlara taşır. Akson ve dentritin birleşim yerine sinaps denir. Her bir hücrenin bir eşik (threshold)
değeri vardır. Eşik değeri θ ile gösterilir. Sinapslar nöronlardan aldığı sinyalleri değerlendirir ve eşik
değeri üzerinde bir giriş varsa bir sonraki hücreye iletirler. En genel anlamda sinir ağları, insan
beynindeki nöronlara benzer olarak meydana getirilen yapay nöronların değişik bağlantı geometrileri ile
birbirlerine bağlanmasıyla oluşan kompleks sistemlerdir [1].
Şekil 1. Tipik bir biyolojik nöron.
Sinir hücreleri bilgisayarda simüle edilmekte ve duruma göre tepkileri kontrol edilmektedir. Sinirler
bilgisayar ortamında algoritmalarla simüle edilirler (Şekil 2).
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
Şekil 2. Yapay sinir ağının yapısı [2].
Şekil 2’de verilen her bir içi boş yuvarlak, bir sinir hücresini, girdiler dentritleri, çıktılar da aksonları
temsil etmektedir. Sistem üç tabakadan oluşmuştur. 1. tabaka giriş tabakasıdır. Bilgiler buradan alınır ve
sisteme girilir. 2. tabaka ise gizli tabakadır. Kullanımı kullanıcıya bağlıdır. 3. tabaka ise çıktı tabakasıdır.
Girdiler işlenerek buradan alınır. Her bir yuvarlağın (sinirin) bir fonksiyonu ve eşik değeri vardır. İçi dolu
ufak daireler ise bağlantı ağırlıklarını gösterirler.
3. YAPAY SİNİR AĞLARI TEORİSİ
Matematiksel olarak modellenmiş bir biyolojik nöron Şekil 3’ de görülmektedir. Bu nöronlar Mc Culloch
- Pits nöronu olarak bilinirler. Bunlar ağın her bir işlem birimini temsil ederler ve birbirleriyle bağlanarak
ağı oluştururlar. Her bir nöron basit bir anahtar görevi yapar ve şiddetine göre gelen sinyali ya
sönümlendirir ya da iletir. Böylece ağ içerisindeki her bir nöronun yükü belli olur. Her nöron gelen
sinyalin seviyesine göre açık ya da kapalı duruma geçerek basit bir tetikleyici görev üstlenir [3].
Şekil 3. Bir biyolojik nöronun matematiksel modellenmesi
Girdiler Gizli tabaka Çıktılar
Ağ düğüm noktaları Bağlantı ağırlıkları
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
54
Bu işlemleri yaparken nöronlar giriş bilgilerini ağırlıklandırarak bunları lineer olarak toplar ve lineer veya
non-lineer bir eşik fonksiyonunda işleyerek çıktısını verir. Bu çıktıyı hücreye bağlantısı olan diğer
nöronlar giriş bilgileri olarak alırlar (Şekil 4).
Şekil 4. Transfer fonksiyonları
Yapay sinir ağları teknolojisi hesaplamalarda farklı bir değer gerektirmektedir. Yapay sinir ağları paralel
hesaplama tekniğinin bütün avantajlarını kullanabilen ve algoritmik olmayan bir metottur. Belirli bir
problemi, programlama yerine direkt olarak mevcut örnekler üzerinden eğitilerek öğrenirler. Ayrıca
yapay sinir ağları, klasik bir bilgisayar belleği gibi belirli bilgileri belirli bir yerde saklama yerine, öz
şeklindeki bilgileri nöronlar arasındaki bağlantılar üzerindeki ağırlık değerleri ile ağ üzerinde dağıtarak
saklarlar [4].
Ağ hesapları öğrenme ve hatırlama olmak üzere iki safhadan oluşmaktadır:
A- ÖĞRENME: Yapay sinir ağları, insan zekâsı gibi örneklerle eğitilirler. Ağlar ne kadar çok örnekle
eğitilirse problem üzerinde teşhisi o kadar çok olur. Yapay sinir ağlarında iki türlü öğrenme mevcuttur.
a) Denetimli Öğrenme: Ağa ait hem giriş değerleri, hem de çıkış değerleri sunulur ve her iki iterasyonda
örneğe ait çıkış değerleriyle ağ çıkış değeri karşılaştırılarak ağın hatası bulunur. Bu hata kontrol edilebilir
dereceye indirilene kadar, yapay sinir ağı nöronlar arasındaki ağırlıkları değiştirerek iterasyona devam
eder. Bazı tip ağlarda ise ağın enerjisi hesaplanır ve bu enerjiyi minimize eden ağırlık grubu, istenen
ağırlık grubu olarak kabul edilir.
b) Denetimsiz Öğrenme: Bu tür öğrenmede ağa sadece giriş veri grubu sunulur ve ağdan bu veri
grubuna uyumlu bir çıkış değeri üretecek şekilde kendisini uygun ağırlıklarla düzenlemesi istenir.
B- HATIRLAMA: Ağın öğrenmesi sonucu elde edilen ağırlık grubu kullanılarak ağa belirli bir probleme
ait giriş değerleri verilir ve bu problemi çözmesi istenir.
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
4. YAPAY SİNİR AĞLARI ÇEŞİTLERİ
Yapay sinir ağları yapı olarak üç gruba ayrılır:
4.1. İleri Beslemeli Yapay Sinir Ağları
Bunlar en genel halde giriş tabakası, saklı tabaka ve çıkış tabakası olmak üzere üç tabakalı bir yapıya
sahiptirler. Bu tür ağ yapısında nöronlar arka arkaya beslenirler. Öğrenme aşamasında girdi modelleri
ağın giriş terminallerine sunulur. Birinci tabakadaki nöronlar çıktılarını hesaplarlar bir sonraki tabakaya
girdi değeri olarak gönderirler. Sırasıyla her bir tabaka aynı işlemi yapar. En uç noktanın çıktı değerleri
de işlemi sonuçlandırır.
4.2. Geri Beslemeli Yapay Sinir Ağları
Bu tür ağlarda diğerlerinin aksine, tabakalar arasındaki bağlantıya ek olarak tabakadaki her bir nöron da
diğerleriyle de bağlantılıdır. En popüler geri beslemeli ağ tiplerinden olan Kohenen ağları, kendi kendini
organize edebilirler, kullanımı zor olmalarına rağmen çok güçlü ve hızlıdırlar. Denetlenmiş öğrenme
kullanırlar. Hopfield ağları ise ağın enerjisini minimize ederler ve bu durumda ağda meydana gelen
değişiklikleri analiz ederek ağırlıkları adapte ederler. Bu yüzden daha çok optimizasyon problemlerinde
kullanılırlar.
4.3. Geri Yayılmalı Yapay Sinir Ağları
Geri yayılma terimi gerçekte yapay sinir ağları için özel bir öğrenme kuralıdır. Geri yayılma öğrenme
kuralı ağ içindeki mevcut hata düzeyine göre her bir tabakadaki ağırlıkları yeniden hesaplamak için
kullanılmaktadır. Aynı tabakadaki nöronlar arasında bağlantı mevcut değildir. Tabakadaki her bir nöron
bir ileri tabakadaki her bir nörona ayrı ayrı bağlıdır ve bunların giriş değerini verir. Bu tür yapay sinir
ağları denetimli öğrenme kuralını kullanırlar. Buna göre hem giriş değerinin hem de çıkış değerlerinin
bilinmesi gerekir.
Bu yöntem uygulamada getirdiği kolaylıklar nedeniyle günümüzde hemen bütün disiplinlerde kullanılan
bir yöntemdir. Geri yayılma algoritması kullanılan ağın topolojisi olarak bilinir. Geri yayılma algoritması
günümüzde pek çok disiplinde özellikle mühendislikte en çok kullanılan bir algoritmadır. Bunun en
büyük nedeni, öğrenme kapasitesinin yüksek ve algoritmasının basit olmasıdır.
Bir geri yayılmalı yapay sinir ağının işlem ünitesi en az üç tabakadan meydana gelir. Bunlar Şekil 5’te
gösterildiği gibi bir giriş tabakası, gizli tabaka ve bir çıkış tabakasıdır.
Şekil 5. Bir geri yayılmalı yapay sinir ağının yapısı
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
56
Giriş tabakası, giriş veri gruplarının ağa sunulduğu terminallerdir. Bu tabakadaki nöron sayısı (m), giriş
veri sayısı kadardır ve her bir giriş nöronu bir veri alır. Burada veri işlenmeden bir sonraki tabakaya yani
saklı tabakaya geçer.
Saklı tabaka, ağın temel işlevini gören tabakadır. Bazı uygulamalarda ağda birden fazla saklı tabaka
bulunabilir. Saklı tabaka sayısı ve tabakalardaki nöron sayısı (k) probleme göre değişmekte olup,
tamamen ağ tasarımcısının kontrolündedir ve onun tecrübesine bağlıdır. Bu tabaka girdi tabakasından
almış olduğu ağırlıklandırılmış veriyi probleme uygun bir fonksiyon ile işleyerek bir sonraki tabakaya
iletir. Bu tabakada gereğinden az sayıda nöron kullanılması giriş verilerine göre daha az hassas çıkış elde
edilmesine neden olur. Aynı şekilde gereğinden daha çok sayıda nöron kullanılması durumunda da aynı
ağda yeni tip veri gruplarının işlenmesinde zorluklar ortaya çıkar.
Çıkış tabakası ağın en uç tabakasıdır. Saklı tabakadan aldığı veriyi ağın kullandığı fonksiyonla işleyerek
çıktısını verir. Çıktı tabakasındaki nöron sayısı (n) ağa sunulan her verinin çıkış sayısı kadardır. Bu
tabakadan elde edilen değerler yapay sinir ağının söz konusu problem için ürettiği değerleridir.
Mc Culloch ve Pitts’in 1940 yılında geliştirdiği yapay nöron modeline göre, bir nöron N tane
ağırlıklandırılmış girişi toplamakta, bir eşik değeri bu toplamdan çıkarıp sonucu lineer olmayan bir
fonksiyondan geçirmektedir (Şekil 6). Bir yapay sinir ağında herhangi bir katmandaki j’inci birime
karşılık gelen toplam giriş, önceki katmandaki birimlerin Yi çıkışlarının (ilk katman için girişlerin)
bağlantılar üzerindeki Wij ağırlıkları ile hesaplanmış ağırlıklı toplamıdır ve
i
j ij i X W Y (1)
şeklinde ifade edilir. Birimin çıkışı, bu toplam girişi lineer olmayan bir fonksiyondan geçirerek belirlenir.
Bu amaçla pek çok fonksiyon kullanılmasına rağmen geri yayılmalı sinir ağında en fazla tercih edilen
sigmoid fonksiyonudur. Bu fonksiyon lineer olmayan çıkışlar üretir. Bu fonksiyon,
j X j e
Y
1
1 (2)
şeklindedir.
Şekil 6. Sigmoid transfer fonksiyonu
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
İleri besleme aşamasında, giriş tabakasındaki nöronlar, veri değerlerini doğrudan saklı tabakaya iletirler.
Saklı tabakadaki her bir nöron kendi giriş değerlerini ağırlıklandırarak toplam değer hesap ederler ve
bunları bir taşıma fonksiyonu ile işleyerek bir ileri tabakaya veya doğrudan çıkış tabakasına iletirler.
Tabakalar arası ağırlıklar başlangıçta rastgele küçük rakamlardan seçilir.
Çıkış tabakasındaki her bir nöronun ağırlıklandırılmış değeri taşıma fonksiyonunda işlenerek ağın ilk
değeri hesaplanmış olur. Bu değer istenen çıktı değeri ile karşılaştırılarak mevcut hata hesaplanır ve hata
minimize edilmeye çalışılır. Hata değeri belirli bir düzeye ininceye kadar iterasyon işlemine devam edilir
ve böylece ağın eğitimi tamamlanmış olur. Tabakalar arası bağlantılardaki ağırlık değerleri eğitimi
tamamlanmış ağdan alınarak deneme aşamasında kullanılmak üzere saklanır.
İleri besleme aşamasında i’inci tabakadaki çıkış değerleri uygun ağırlıklar (Wij) ile çarpılır ve bu saklı
tabakaya giriş değeri olarak sunulur. Yi, i’inci tabakadaki her nöronun çıkış değeri ise bir ileri tabaka olan
j tabakasının bir nöronundaki toplam giriş değeri,
i
j ij i X W Y
olarak ifade edilir ve j tabakasının bir nöronundaki çıkış değeri ise,
j j ( j ) Y f X (3)
şeklindedir. Burada fj taşıma fonksiyonu olarak adlandırılır. Genellikle lineer olmayan veri iletimini
sağlamak üzere taşıma fonksiyonu olarak bir sigmoidal fonksiyon kullanılır.
j X j l e
f
1
burada l, taşıma fonksiyonun şeklini kontrol eden bir sabittir. Daha sonra yukarıda detaylandırıldığı gibi
sinir ağı çıkışı hesaplanır. Ve bu çıkış eğitim aşamasında kullanılan gerçek çıkış değeri ile karşılaştırılır.
k’ıncı çıkış tabakasındaki herhangi bir nörondaki hata,
k k k e d Y (4)
olarak hesaplanır. Burada dk istenen çıkış değerini, Yk ise ağ çıkış değerini göstermektedir. Toplam hata
fonksiyonu ise aşağıdaki gibidir.
k
k k E (d Y )2
2
1
5. YAPAY SİNİR AĞLARININ YARARLARI
1) Yapay sinir ağları kolayca adapte olabilirler, bilgi alabilirler ve öğrenebilirler. Kendileri için hazırlanan
datalardan çözümleri anlayabilirler. Bilgiler arası ilişkilerin altını çizerek (önemseyerek) yağılan
uygulama geliştirme zamanını kısaltırlar.
2) Yapay sinir ağları genelleme yaparlar. Daha önceden sistemin eğitilmiş olduğu konularda, eksik bilgi
verilerek sonuç istenirse, sistem bunu geneller ve tanımlar. Bu önemli bir özelliktir, çünkü gerçek
dünyada bilgiler eksiktir ve net değildir. Sonuçlara ulaşabilmemiz için bilgilerden yola çıkarak
genellemelerde bulunmamız gerekebilir.
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
58
3) Yapay sinir ağları doğrusal değildirler. Bu bütün sonuçların her bir girdi ile etkileşim içinde olduğu
anlamına gelir. Doğrusal bir sistemde biri değiştirildiğinde, çıktı bu değişme oranıyla orantılı olarak
değişir. Bu etki sadece değiştirilen girdinin değeri ile bağlantılıdır. Doğrusal olmayan sistemlerde ise
çıktılar bütün girdilere bağlıdır ve bir girdi değiştirildiğinde önemli bir değişikliğe neden olmaz; çünkü
çıktı bütün girdilere paralel olarak işlenir.
4) Yapay sinir ağları paralel işlemde başarılıdırlar. Birçok benzer ve birbirinden bağımsız işlemler aynı
anda simüle edilerek işlenebilir.
6. YAPAY SİNİR AĞLARININ DOKUMA TEKNOLOJİSİNDE KULLANIMI
6.1. Kumaş Hatalarının Saptanması
Tekstil endüstrisi için üretim ve yönetim aşamasında otomatik teknikler kullanmak her geçen gün önemli
bir hale gelmektedir. İnsan tarafından yapılan kumaş denetimi denetleyicinin fiziksel ve zihinsel
durumundan etkilenmektedir. Yüksek sayıda işlem yapma yeteneği ve çabuk karar verme özelliği
sayesinde yapay sinir ağları kumaş hatalarının dokuma esnasında belirlenmesinde kullanılırlar.
I-Shou Tsaı ve arkadaşları [5] tarafından yapılan çalışmada bir girdi tabaka, bir gizli tabaka ve bir çıktı
tabakadan oluşan çok katlı yapay sinir ağı kullanılmıştır. Dokuma sırasında görülebilecek dört çeşit
kumaş hatası yapay sinir ağına öğretilmiştir. Yapay sinir ağı hataları tam olarak bulmakta ve
sınıflandırmaktadır.
6.1.1 Teorik Yaklaşım
Kumaş yüzeyi görüntünün global özelliklerine veya tekrar eden birimine göre tanımlanır. Bu çalışmada
çeşitli kategorideki kumaş yüzey hatalarının görüntüsünün özelliklerini elde etmek için gri seviyeli eş
oluşum matrisi “co-occurrence matrix” kullanılmıştır.
Yüzey görüntüsü ışık yoğunluğunun iki boyutlu fonksiyonu olarak düşünülür ve f(x,y) ile gösterilir. Her
bir koordinat veya piksel (x,y) için ışık yoğunluğuna karşılık gelen bir değer vardır. Çünkü görüntü enerji
formundadır. Fonksiyonun değeri sıfır ile sonsuz arasındadır.
0 < f(x,y) < ∞ (5)
Cisimleri nesnelerden gelen ışık sayesinde görürüz. Bu ışık iki kısımdır. Birinci kısım nesnenin kendi
ışığı, ikinci kısım ise nesnenin yüzeyinden yansıyan ışık şiddetidir. Birinci kısım i(x,y) ile ikinci kısım ise
r(x,y) ile gösterilir. Bir nesnenin görüntüsü
f(x,y) = i(x,y) r(x,y) {0 < i(x,y) <∞ ve 0 < r(x,y) < 1} (6)
ile gösterilir. r(x,y) = 0 ise nesneden hiç ışık yansımıyor demektir. r(x,y) = 1 ise tam yansımayı gösterir.
Uzayda sürekli görüntü elde etmek için f(x,y) fonksiyonu sayısallaştırılır. Bu işleme görüntü örnekleme
denir. Her bir nokta f(x,y) ile temsil edilir. NN boyutlarındaki görüntü (7) eşitliği ile gösterilen boyutlu
dizi olarak saklanır.
f(0, 0) f(0, 1) ... f(0, N-1)
f(1, 0) f(1, 1) ... f(1, N-1)
f(x,y) = ... ... ... ... (7)
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
... ... ... ...
f(N-1, 0) f(N-1, 1) ... f(N-1, N-1)
Bu dijital görüntü f(j,k), NN boyutundadır ve gri seviyeli çözünürlüğü G’dir. İki parametre
kullanılmaktadır. D, (j,k) ve (m,n) noktaları arasındaki uzaklığı, , iki piksel (nokta) arasındaki açıyı
göstermektedir. İki piksel arasında, = 0 yatay doğrultu (RH), = 45 sağ diyagonal doğrultu (RRD), =
90 düşey doğrultu (RV), = 135 sol diyagonal doğrultu (RLD) olmak üzere dört doğrultu tanımlanmıştır.
Bu tanıma göre piksel çiftlerinin p ve q gri seviyelerinin oluşma olasılığı (8) eşitliği ile gösterilmiştir.
P(p, q, d, 0)
=# {RH(d), f(j,k) = p, f(m,n) = q}
P(p, q, d, 45)
=# {RRD(d), f(j,k) = p, f(m,n) = q}
P(p, q, d, 90)
=# {RV(d), f(j,k) = p, f(m,n) = q}
P(p, q, d, 135)
=# {RLD(d), f(j,k) = p, f(m,n) = q} (8)
#{ } sembolü, parantez içindeki bütün olayların olma olasılığını gösterir. 0-3 gri seviyeli görüntünün eş
oluşum matrisi Şekil 7a’da, 44 büyüklüğündeki dört gri seviyeli görüntü Şekil 7b’de gösterilmiştir.
Şekildeki oklar iki piksel arasında çizilen doğruların yatayla yaptığı açıları göstermektedir. Aynı
görüntünün 0,45,90 ve 135 doğrultulu eş oluşum matrisi Şekil 8’de görülmektedir.
Gri Seviye
Gri Seviye
0 1 2 3 4
1 #(0,0) #(0,1) #(0,2) #(0,3)
2 #(1,0) #(1,1) #(1,2) #(1,3)
3 #(2,0) #(2,1) #(2,2) #(2,3)
4 #(3,0) #(3,1) #(3,2) #(3,3)
Şekil 7a. 0-3 gri seviyeli görüntünün eş oluşum matrisinin genel formu.
135 90 45
0
Şekil 7b. 0-3 gri seviyeli 44 büyüklükte görüntü.
4 0 0 0 2 1 0 2
PH(d=1, =0) = 2 4 0 1 PRD(d=1, =45) = 1 4 0 0
0 0 6 0 0 0 0 3
0 0 0 4 2 0 3 0
1 1 0 0
1 1 0 0
1 3 3 3
2 2 2 2
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
60
(a) (b)
4 0 0 2 2 1 0 1
PV(d=1, =90) =
0 6 1 1
PLD(d=1, =135) =
1 2 1 2
0 1 0 3 0 1 0 2
2 1 3 0 1 2 2 0
(c) (d)
Şekil 8a-d. Dört doğrultunun eş oluşum matrisi ile gösterimi.
Bütün sütunların toplamını 1’e eşitlemek için eş oluşum matrisine normalizasyon metodu uygulanır.
Görüntünün düzgünsüzlük dağılımının derecesi olan ikinci açısal moment (ASM) (9) eşitliği ile,
görüntünün gri seviye kontrastı olan CON (10) eşitliği ile verilmiştir.
p q R
ASM P p q
2 , (9)
p q s
m
n R
CON 1 S P( p, q)
0
2 (10)
6.1.2 Deneysel Çalışma
Numune olarak 30 Tex katlı ipliklerden 92’ye 42 atkı ve çözgü sıklıklarında dimi kumaşlar kullanılmıştır.
Neps, atkı kaçığı, çözgü kaçığı ve yağlı kumaş hataları dokuma sırasında oluşmaktadır. Her kumaş
hatasının görüntü elde etme sistemi ile görüntüsü alınmış ve bu görüntüler rasgele ikiye bölünmüştür.
Görüntülerin yarısı ağı eğitmek için, diğer yarısı eğitilen ağı test içindir.
Görüntü elde etme sistemi Şekil 9’da gösterilmiştir. 20 kez büyütebilen lens takılı CCD kamera ile
görüntüler çekilmekte, her görüntü analog dijital çevirici kart ile gri seviyede sayısallaştırılmakta ve
matrislerde saklanmaktadır. Numuneler 45’lik açı ile konumlandırılmış iki halojen lamba ile
aydınlatılmaktadır. Çekilen görüntülerin 0–255 gri skalalı 320200 çözünürlüğünde grafik görüntüsü
yeniden oluşturulmaktadır. Kumaş hatalarının parametreleri bilgisayarla hesaplanmaktadır.
Şekil 9. Görüntü elde etme sistemi.
(9) ve (10) eşitlikleri ile gri seviyeli histogram eşlenir. Böylece görüntünün daha homojen bir gri seviye
dağılımı elde edilmekte ve görüntü elde etme koşullarından kaynaklanan düzensizlikler giderilmektedir.
İndirgenmiş görüntü kullanılarak, normal kumaş yüzeyi için eş oluşum matrisi ile doğrultusu boyunca,
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
d tekrar uzunluğunu belirler. Bir görüntünün bütün piksellerinin yoğunluk dağılımı normal dağılım ise
ikinci açısal moment (ASM) ve kontrast (CON) hesaplanır.
Doğrultusu ne olursa olsun, doğrultusu boyunca periyotluluk varsa, ekstrem değerler elde edilir. ASM
maksimum olurken, CON minimum olur. ŞEKİL 10’da belirli bir d uzaklığına karşılık gelen, ASM ve
CON değerleri =0 ve =90 doğrultularında çizilmiştir. Gerek atkı, gerekse çözgü yönünde normal
kumaşın periyodik sinyalleri güçlüdür. Maksimum ASM ve minimum CON atkı yönünde 12 pikselde,
çözgü yönünde 16 pikselde elde edilmiştir. Bu, normal kumaşın çözgü yönündeki tekrarının 16 pikselde,
atkı yönündeki tekrarının 12 pikselde bir olduğunu gösterir.
Gri seviyeli eş oluşum matrisi ile her bir hatalı kumaş yüzeyi için yüzey vektörü elde edilir. f1, f2, f3 ve
f4 değerleri d=1 ve =0, 45, 90 ve 135 iken elde edilen kontrast ölçümlerdir. f5 ve f6 değerleri ise
d=12, =0 ve d=16, =90 iken elde edilen kontrast değerleridir.
Elde edilen bu yüzey parametreleri, yapay sinir ağında giriş tabakasının nodlarını (düğüm noktalarını)
oluştururlar. 12 nodlu gizli tabaka, beş nodlu çıktı tabakasına beslenir. Çıktı tabakası normal kumaş ile
birlikte dört çeşit hatalı kumaşı içerir. Öğrenme oranı 0.5 ve momentum faktörü 0.4’tür. Aktivasyon
fonksiyonu olarak sigmoid fonksiyon kullanılmıştır.
Kumaşın belli bir bölgesinde bulunan her bir hata, normal kumaşa göre farklı yüzeye sahiptir. Farklı
kumaş hatalarının yüzeyleri de birbirlerinden farklıdır.
İyi bir yüzey iki şartı sağlamalıdır. Bir, genel özellikleri çok az birbirinden farklı olan yüzeyler yakın
değerlere sahip olmalı. İki, farklı sınıftan olan hatalar sayısal olarak da farklı olmalı. Hesaplama zamanını
kısa tutmak için yüzey vektörünün boyutu yüzey görüntüsünden küçük olmalıdır.
Kumaş denetim sisteminin başarısı görüntüyü elde etme, genelleme ve sıkıştırma özelliklerine bağlıdır.
İnsan gözü normal ve hatalı kumaş görüntülerini kolayca algılayabilirken, desen tanıma tekniğinde ise
yukarıda bahsedilen yüzey parametrelerinin belirlenmesi gereklidir.
Haralick [6] birlikte oluşum matrisinden bilgi elde etmek için çeşitli ölçümler öne sürmüştür. Görüntünün
lokal varyasyonunun ölçüsü olan kontrast (CON), her bir kumaş hatasını karakterize edebilmektedir.
Özellikle her hatayı karakterize etmek için birlikte oluşum matrisinde her örnek hatanın doğrultuları
boyunca (f1, f2, f3, f4) kontrast ölçüm değerleri alınır. Kumaş hatalarından doğru sınıflamayı yapmak
için, bu dört yüzey parametresinden bağımsız olarak, yatay ve düşey doğrultularda normal kumaşın tekrar
üniteleri belirlenerek f5 ve f6 olmak üzere iki yüzey parametresi bulunur.
Bu iki yüzey parametresinden (f5 ve f6) farklı kumaş hatalarını denetleyebilmek için özel yüzey
vektörleri elde edilir. Gri seviyeli eş oluşum matrisi kullanılarak, orijinal görüntüyü tanımlayan ve
hesaplama zamanını azaltan altı tane yüzey parametresi elde edilmiştir.
Geçmişte geleneksel desen tanıma tekniği çevreden etkilenen ve desen eşleme idi. Günümüzde yapay
sinir ağları ise yüksek paralel işlem kapasitesi ve hızı yanında hata toleransına sahiptir.
Yüzeyleri farklı olan örnekler yapay sinir ağı ile tam olarak sınıflandırılmaktadır. Sınıflandırma oranı %
96’dır.
100100 boyutlarında dijitize edilmiş (sayısallaştırılmış) her hatalı kumaş yüzeyi için gri seviyeli eş
oluşum matrisi kullanılarak altı tane yüzey parametresinin (f1-f6) elde edilmesi 30 saniyeyi almıştır.
Yüzeylerin sınıflandırılması işlemin yarısını olan yapay sinir ağının eğitimini oluştururken temel hesaplar
bu aşamada olmaktadır. Bundan dolayı yapay sinir ağı ile entegre desen tanıma sistemi kumaş hatalarının
on-line olarak sınıflandırılması için iyi bir yöntemdir. f1-f6’ dan oluşan yüzey vektörü her bir kumaş
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
62
hatası için doğru, genel ve öz bilgi vermektedir. Denetleme prosesi yapay sinir ağının kapasite ve hata
toleransı özelliklerini kullanmaktadır. Denetimli geri yayılma öğrenme kuralı (algoritması) ile yapay sinir
ağı kumaş hataları için iyi bir sınıflandırıcıdır. Çeşitli kumaş hataları için yapılan denemeler tatminkâr
sonuçlar vermiştir.
I-Shau Tsai ve Ming-Chuan Hu [7] tarafından yapılan çalışmada ise kumaş, altından aydınlatılan cam
yüzeyin üstüne serilmiştir (Şekil 10). CCD lens takılmış kamera ile alınan kumaş görüntüleri görüntü
işleyiciye gönderilir. Görüntü işleyici görüntüyü 8 bit gri seviyede 512480 çözünürlükte sayısallaştırıp,
aynı zamanda görüntü işleyici dijital sinyalin video ekranından görülmesi için analog sinyale dönüştürür.
Elde edilen görüntüler ana bilgisayara gönderilip burada işlenir.
Hatalı kumaşın görüntüsü işlenmekte, Fourier dönüşümü ile spektrum elde edilmektedir. Bu dönüşümden
elde edilen spektrum ile kumaş sıklığı arasında bir ilişki elde edilmekte ve spektrumdan karakteristik
parametreler belirlenmekte ve yapay sinir ağı ile kumaş hataları tanımlanmaktadır.
Şekil 10. Kumaş hatalarını belirleyen sistem: (A) CCD kamera, (B) Büyütücü lens, (C) Numune, (D)
Cam yüzey, (E) Arka ışık, (F) Sağ ışık, (G) Görüntü kartı, (H) Bilgisayar, (I) Ekran 20″, (J) Ekran 14″.
6.1.3 Teorik Yaklaşım
Çözgü iplikleri belirli sıklıklarla levende sarılmakta, dolayısıyla kumaşta belirli bir sıklıkta
bulunmaktadırlar. Atkı iplikleri da kumaşa belirli sıklıklarla yerleştirilmektedir. Dolayısıyla atkı ve çözgü
ipliklerini periyodik olarak tekrarlayan iplikler olarak gösterebiliriz. Şekil 11a ve Şekil 11b birleştirilirse
Şekil 11c ile gösterilen kumaş modeli elde edilir. Şekil 11a,b ve c’ye Fourier transformasyonu
uygulanırsa Şekil 12a, b ve c elde edilir. Fourier dönüşümü matematiksel bir yöntemdir. Bu yöntemle
dalgaların periyodikliği ile spektrumdaki frekansları arasında bağlantı kurulmaktadır. Fourier teoremi ile
bir sinyal çeşitli frekans ve dalga boyundaki çeşitli sinüs ve kosinüs eğrilerinin toplamı olarak ifade
edilebilirler. Kumaşın üç boyutlu 128128 çözünürlüklü görüntüsünün Fourier dönüşümü MATLAB
programı ile gerçekleştirilmiştir.
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
Şekil 11. Kumaşın modellenmesi
Konvülusyon teoremine göre, iki fonksiyonun görüntü uzayında birbirine geçmiş durumu, Fourier
uzayındaki dönüşümlerinin çarpımına eşittir. Şekil 12a ve 12b’nin birbirine geçmiş durumu Şekil
12c’deki gibidir. Şekilde F(0,0) ve F(1,0) noktaları arasındaki uzaklık 1/T olup, çözgü periyodunun
tersidir ve iplik numarasından bağımsızdır. F(0,0), spektrumun merkezi yoğunluğunu, F(1,0), u ekseninde
F(0,0)’ın yanındaki noktanın yoğunluğunu, F(0,1), v ekseninde F(0,0)’ın yanındaki noktanın
yoğunluğunu göstermektedir.
Şekil 12. Kumaş modelinin Fourier spektrumu
Fourier simülasyon metoduna göre çözgü ve atkı kaçığı, yırtık kumaş ve yağlı kumaş hatalarının
spektrumu Şekil 13a, b, c ve d’deki gibidir.
(a) (b)
(c)
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
64
Şekil 13. Kumaş hatalarının Fourier spektrumu: (a) Çözgü kaçığı,
(b) Atkı kaçığı, (c) Yırtık, (d) Yağ lekesi.
Kumaş hatalarının frekansı periyoduyla değişmektedir. En göze çarpan varyasyonlar F(0,0), F(1,0) ve
F(0,1)’de görülmektedir. Bu noktaların yeri kumaş sıklığı değiştikçe değişir.
Çözgü kaçığı atkıya paralel olarak tanımlanan x ekseninde periyodikliğin değişmesi olarak düşünülebilir.
Şekil 14’deki çıkıntılar, kumaşın içinden geçen ışığın yoğunluğunu gösterir. Çözgü kaçığı, orijinal
periyodiklik ile bir dikdörtgen dalganın toplamı olarak gösterilir. F(0,0) ile F(1,0) arasında yoğunluk
artarken, F(0,0) ve F(1,0) noktalarının yoğunluğu ile F(0,0)’ın F(1,0)’e yoğunluk oranı da artacaktır.
Şekil 14. Çözgü kaçığına bağlı olarak x ekseninde periyodikliğin değişmesi.
Aynı şekilde atkı kaçığı da y ekseninde çözgüye paralel periyodikliğin değişmesi olarak gösterilir. Yırtık
ve yağlı kumaşlar da x ve y eksenindeki yoğunluğun değişim olarak gösterilebilir. Yağlı kumaşlarda
F(0,0)’ın yoğunluğu daha fazladır, çünkü yağlı kumaş yüzeyinde karanlık bir görüntü oluşur.
Dört çeşit kumaş hatasını ve normal kumaşın spektrumunu gösteren dokuz karakteristik parametre yapay
sinir ağının girdisini oluşturmaktadır. Tablo 1, spektrumdaki karakteristik parametrelerin normal kumaşla
karşılaştırmasını göstermektedir. Yapay sinir ağı Geri Yayılma Algoritması ile işlem yapmaktadır.
Tablo 1. Spektrumdaki karakteristik parametreler*
PE(1) PE(2) PE(3) PE(4) PE(5) PE(6) PE(7) PE(8) PE(9)
Çözgü kaçığı + + − + + × + × −
Atkı kaçığı + + + × − + × + +
Yırtık kumaş + + − + − + + + ×
Yağlı kumaş − + − + − + − − ×
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
* PE(1): F(0,0)’da maksimum yoğunluk, PE(2): F(0,0) merkezli 5×5 büyüklükteki görüntünün yoğunluğu − F(0,0)’ın
maksimum yoğunluğu, PE(3): F(1,0)’da maksimum yoğunluk, PE(4): F(0,0) ile F(1,0)’ın ortalama yoğunluğu, PE(5):
F(0,1)’da maksimum yoğunluk, PE(6): F(0,0) ile F(0,1)’ın ortalama yoğunluğu, PE(7): F(0,0)/F(1,0), PE(8): F(0,0)/F(0,1),
PE(9): F(1,0)/F(0,1). + : Artma, − : Azalma, × : Önemli bir değişim yok.
6.1.4 Deneysel Çalışma
Denemelerde 6545 ve 7060 çözgü ve atkı sıklığında iki çeşit kumaş kullanılmıştır. 6545 sıklığındaki
kumaşın karakteristik parametreleri ile yapay sinir ağına öğretilmiştir. Birinci denemede 6545
sıklığındaki kumaş kullanılmıştır. Numune sayısı 100’dür. Ortalama hatanın karekökü 10000
iterasyondan sonra 0.11 olarak hesaplanmıştır. Öğrenilmiş numunelerdeki sınıflandırma oranı % 100’dür.
25 tane numune, öğretilmiş ağa girilmiş ve toplam sınıflandırma oranı % 92 olarak bulunmuştur.
İkinci denemede ise 7060 sıklığında 100 adet kumaş yapay sinir ağına girilmiş ve 10000 iterasyondan
sonra ortalama hatanın karekökü 0,085 olarak hesaplanmıştır. Ağa öğretilmiş numunelerden ağın
sınıflandırma oranı % 98.1, test edilen numunelerden % 96 olmuştur.
Üçüncü denemede ise, 6545 ve 7060 sıklıklarındaki 200 adet numune yapay sinir ağına eğitilmek üzere
girilmiş, ortalama hatanın karekökü 20000 iterasyondan sonra 0.113 bulunmuştur. Ağın hataları
sınıflandırma oranı % 92 olarak bulunmuştur.
6.2 Kumaşların Sınıflandırılması
Kumaşların sınıflandırılması tekstil endüstrisinde önemli bir rol oynar. Kua-Chin Fan ve arkadaşları [8]
belli özelliklere göre kumaşları sınıflandırmak için sinir ağları ve boyut indirgenmesi metodunu
kullanmışlardır. Bu iki metot birbirlerinden bağımsız olmakla birlikte birbirini desteklemektedir. Birinci
metotta bilinmeyen bir kumaş kategorisini tanımak için yapay sinir ağına öğretilmektedir. İkinci metotta
ise kumaşların ölçülen özellikleri 16’dan ikiye indirilmektedir. İndirgenmiş özelliklerin iki boyutlu grafiği
çizilir. Kumaş bilgileri Kawabata’nın kumaş değerlendirme sisteminden (KES-FB) alınan parametreler
formunda incelenir.
Kumaşları birbirlerinden ayırt edebilmek için kumaşların belli özellikleri ölçülmekte ve kumaşlar bu
özelliklerle karakterize edilebilmektedir. Fakat bu işin insan tarafından yapılması sıkıcı ve uzun zaman
alıcı bir iştir. Bilgisayarlar çok fazla miktarda veriyi yüksek hızlarda işleyebilmektedir. Desen tanıma
sistemi ile bilinmeyen bir kumaş otomatik olarak tanınmaktadır. Desen tanımanın amacı, mekanik
işlemlere ve hesaplara dayalı sınıflandırma ve tanıma teorisini geliştirmektir. Herhangi bir problem için
girdi veri setinden desen tanıma modeli oluşturulur, bilinmeyen herhangi bir veri desen tanıma ile
sınıflandırılır. Desen tanıma metodu istatistiksel analiz, boyut indirgemesi ve yapay sinir ağlarını içerir.
Pamuk, keten, ipek ve yünü otomatik olarak kategorize eden iki farklı desen tanıma metodu
kullanılmıştır. Bu kumaşlar KES-FB sistemiyle analiz edilmiş ve kumaşların mekanik özellikleri 16
parametre ile tanımlanmıştır. Sınıflandırmanın ilk aşamasında ağın bağlantı ağırlıklarının belirlenmesi
için ağı eğitecek çeşitli kumaş parametreleri kullanılmıştır. Bilinmeyen kumaş özellikleri, kumaşın
sınıflandırılması için ağa girilir. İkinci metot ise ölçülmüş kumaş özelliklerinin 16’dan ikiye
indirilmesidir. İndirgenmiş bilgiler daha sonra iki boyutlu koordinat sistemiyle gösterilir. Kumaşlar bu iki
boyutlu koordinat sisteminde kategorilere ayrılırlar.
Yapay sinir ağı geri yayılma algoritması ile işlem görmektedir. Ağın hızlı bağlanma ve yüksek
sınıflandırma yeteneği vardır. Yapay sinir ağı giriş tabakası, gizli tabaka ve çıkış tabakasından
oluşmaktadır. Tabakalardaki her bir nöron birbirlerinden bağımsızdırlar. Fakat bir sonraki nörona
bağlantılıdırlar. Her bağlantı için bir bağlantı ağırlığı değeri vardır. Bağlantı ağırlıkları yapay sinir ağının
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
66
davranışını belirler. Bağlantı ağırlıklarını özel eğitim verisiyle örneğin kumaş bilgisiyle eğitirsek kumaş
sınıflandırma için özel amaçlı sinir ağı oluşturulur.
6.2.1 Teorik Yaklaşım
Desendeki her bir nokta n koordinat değerinden oluşuyorsa, n boyutlu bir uzayda nokta olarak kabul
edilir. Kumaş 16 parametresi ile tanımlandığı için, her bir kumaş 16 boyutlu uzayda bir noktaya karşılık
gelir. Fakat insan iki ya da üç boyutlu uzayda şekiller arasında geometrik bağlantı kurabilmektedir.
Kumaş iki parametre ile ifade edilebilirse, iki boyutlu uzayda gösterilebilecek ve kolayca
anlaşılabilecektir.
Boyut indirgenmesinde Karhunen-Loeve (K-L) [4] genişleme tekniği kullanılmıştır. Temel işlem lineer
dönüşüm matrisini (A) oluşturmaktır. Bu matris desen üzerinde işlem yaparak yeni bir desen
hesaplamaktadır.
X= (p1, p2,....., pm) Y= (q1, q2,......, qn) m>n
Y= AX (11)
Her biri i desene sahip M kategori varsa, K-L yayılmalı A matrisinin tanımı üç basamakta gerçekleşir:
Step 1: Öğrenilmiş desenlerden otokorelasyon matrisini hesapla.
wi: i’nci desen kategorisinin olma olasılığı,
E{xi, xi}: i’nci desen kategorisinde bütün örneklerin gözlenme olasılığı,
Step 2: Eigen değerlerini ve otokorelasyon matrisine karşılık gelen Eigen vektörünü hesapla ve bu
vektörü normalize et.
Step 3: Dönüşüm matrisinin sütunları, otokorelasyon matrisinin en büyük özdeğer (Eigen)
değerlerine karşılık gelen normalize edilmiş özdeğer (Eigen) vektörleri olarak seçilir.
Dönüşüm matrisi elde edildikten sonra öğrenilmiş desenler ile bilinmeyen desenler denklem (11) ile m
boyuttan n boyuta indirgenir. Bu denklemi 16 boyuttan iki boyuta indirgemede kullanabiliriz. Bu
dönüşüm ile aynı kumaş sınıfının öğrenilmiş desenleri bir grup oluşturacak kadar birbirlerine yakındır.
Pamuk, yün, ipek ve keten kumaş kategorileri iki boyutlu indirgenmiş uzayda oluşturulur. Bu çizgiler
kolayca izlenebilmektedir. Bilinmeyen bir kumaşın 16 parametresi ikiye düşürülerek dört kategoriden
birine dâhil edilebilir. Bu teknik, gruptaki desenlerin geometrik düzenini gözleyerek direkt sınıflandırma
ilgisi yanında, yapay sinir ağı tarafından yapılan sınıflandırma sonuçlarının doğruluğunu gösterir.
Önerilen yaklaşım otomatik tekstil test sistemi ile test edilmiştir. Kumaşlar KES-FB ile
değerlendirilmektedir. Elde edilen bilgiler yerel ağ ile PC’ye gönderilir. Bilgisayar elde edilen kumaş
özellikleri ile ilgili bilgileri analiz ederek, sınıflandırmak için ayırır. KES-FB sistemi 4 alt sistemden
oluşur. KES-FB 1: Kumaşların mukavemet ve kesme mukavemeti ile ilgili özelliklerini, KES-FB 2:
Kumaşların eğilme özelliklerini, KES-FB 3: Sıkıştırılabilme Özelliğini, KES-FB 4: Yüzey özelliklerini
analiz eder.
Kumaşın mekanik özellikleri % 65 + 2 izafi nemde, 20 + 1 C’de ölçülür. Öğrenmede kullanılan kumaş
parametreleri Tablo 2’de gösterilmiştir.
Özdemir H. Teknolojik Araştırmalar: TTED 2013 (1) 51-68
Tablo 2. Öğrenmede kullanılan kumaş parametreleri
Kumaş tipi İplik cinsi Numune sayısı Kalınlık (mm) Gramaj (g/m2)
Pamuk Kesikli 28 0.41-0.63 83-169
Keten Kesikli 16 0.36-0.73 107-206
İpek Filament 25 0.12-0.39 35-82
Yün Kesikli 28 0.38-0.87 118-260
Fazla sayıda düğüm kompleks karar verme yeteneğini geliştirdiği halde, elde edilen bağlantı ağırlıkları,
öğrenilen bilgilerden güvenli olarak tahmin edilemez.
Kumaş verisi özellik seti ve kumaş kategori çiftlerinden oluşmaktadır. Özellikle yapay sinir ağına
beslendiğinde her bir çiftteki kumaş kategorisi doğru cevaptır. Tablo 3, pamuklu kumaş için 16
parametreyi ve yapay sinir ağı çıktısını göstermektedir. Dört değerden 1. nörona ait olan 1 değeri bu
kumaşın kategori 1’e ait olduğunu gösterir. Diğer nöronlara ait değerler 0’dır.
Tablo 3. Pamuklu kumaş için yapay sinir ağı eğitim seti*
* Gerilme: LT: Doğrusallık, WT: Gerilme enerjisi, RT: Rezilyans; Eğilme: B: Eğilme rijitliği, 2HB: Histerezis; Kayma: G:
Kayma direngenliği, 2HG: Histerezis Φ = 0,5°, 2HG5: Histerezis Φ = 5°; Sıkıştırma: LC: Doğrusallık, WC: Sıkıştırma enerjisi,
RC: Rezilyans; Yüzey: MIU: Sürtünme katsayısı, MMD: Sürtünme katsayısının standart sapması, SMD: Geometrik
pürüzlülük; Ağırlık: W: Gramaj; Kalınlık: T: 0,5 gf/cm2 basınç altında kalınlık
6.2.2 Deneysel Çalışma
Öğrenme grubunda 97 kumaşa ait veri girilmiş, test grubunda ise 198 bilinmeyen kumaşa ait veri
girilmiştir. Öğrenme verisi 28 pamuklu, 25 ipek, 28 yünlü ve 16 keten kumaş örneğinden oluşmaktadır.
Verilerin tamamı Geri Yayılmalı Sinir Ağına beslenmiştir.
Bazı bilinmeyen kumaşların sınıflandırma sonuçları Tablo 4’te verilmiştir. Bu veriler % 100 PES, % 100
pamuk, % 70/30 PES/yün kumaşlar içindir. % 100 PES kumaşlar aynı parlaklığı verdiği için ipek kumaş
gibi algılanmıştır.
Tablo 4. Bilinmeyen kumaşların yapay sinir ağı sonuçları
Pamuk İpek Yün Keten
% 100 Polyester 0,012 0,888 0,038 0,014
% 100 Pamuk 0,030 0,002 0,016 0,978
% 70/30 Polyester/yün 0,001 0,208 0,877 0,017
% 70/30 Polyester/yün 0,005 0,033 0,879 0,031
Yapay sinir ağı, girilen kumaşın kategorisini belirleyen, ayırt etme yeteneği olan sinir ağı modelini
kullanırken, boyut indirgenmesinde ise sınıflandırma sonuçlarına göre en yakın olan grubu seçmektedir.
Yapay sinir ağının sınıflandırma sonuçları boyut indirgemesi sonuçları ile uyum göstermektedir. Bu
nedenle, boyut indirgenmesi tekniği geri yayılmalı sinir ağı tekniğini destekleyecek biçimde kullanılabilir.
LT WT RT B 2HB G 2HG 2HG5 LC
0,8111 0,2303 53,3784 0,4330 0,0333 0,6554 0,8862 2,0261 0,1433
WC RC MIU MMD SMD W T Correct output
0,0106 1,7027 0,6574 0,0518 41,4566 0,4648 12,0957 (1, 0, 0, 0)
Teknolojik Araştırmalar: TTED 2013 (1) 51-68 Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı
68
7. SONUÇLAR
Müşteri tatmini, maliyet ve üretimi belirleyen bitmiş (mamul) kumaşın kalitesi dokuma kumaş
endüstrisinde önemli olup, dokuma kumaşların kalitesinin belirlenmelerinde ve sınıflandırılmalarında
operatörlerin sübjektif değerlendirmelerinden kaynaklanan problemler mevcuttur. Görüntü işleme, tanıma
yöntemleri ve istatistiksel yöntemler ile birlikte kumaş hatalarının belirlenmesinde ve kumaşların
sınıflandırılmalarında kullanıldıklarında hatayı tolere etme ve öğrenme yeteneğine sahip yapay sinir ağları
yüksek performans göstermektedirler.
8. KAYNAKLAR
1. Aleksander, I., Morton, H., 1990, “An Introduction to Neural Computing”, London, Chapman and
Hall
2. Lin, C.T., Lee, C.S.G., 1996, “Neural Fuzzy Systems”, Prentice Hall, NJ
3. Sette, S., Boullart, L., Kiekens, P., 1995, “Self-Organizing Neural Nets: A New Approach to Quality
in Textiles”, Textile Research Journal, 65(4), 196-202
4. Jang, J.S.R., Sun, C.T., Mizutani, E., 1997, “Neuro-Fuzzy and Soft Computing”, Prentice Hall, NJ
5. Tsai, I.S., Lin, C.H., Lin, J.J., 1995, “Applying an Artificial Neural Network to Pattern Recognition
in Fabric Defects”, Textile Research Journal, 65(3), 123-130
6. Haralick, R. M., Shanmugam, K., Dinstein, I., 1973, “Texture Features for Image Classification”,
IEEE Trans. Sys. Man Cybernet, SMC-3, 610-621
7. Tsai, I.S., Hu, M.C., 1996, “Automatic Inspection of Fabric Defects Using an Artificial Neural
Network Technique”, Textile Research Journal, 66(7), 474-482
8. Fan, K.C., Wang, Y.K., Chang, B.L., Wang, T.P., Jou, C.H., Kao, I.F., 1998, “Fabric Classification
Based on Recognition Using a Neural Network and Dimensionality”, Textile Research Journal, 68(3),
179-185
