Asfalt kalite analizi için görüntü işlemeye dayalı otomatik bir bölütleme yöntemi

Abstract

Asfalt kalitesi, bileşiminde yer alan unsurların oranları ile doğrudan orantılıdır. Bu oranın ölçülmesi işleminin manuel olarak yapılması uzun zaman alan ve zahmetli bir iştir. Bu çalışmada, kesilerek çıkarılmış asfalt örneklerinin yüzeylerinden elde edilen görüntüler için otomatik bir bölütleme yöntemi ilk defa önerilmiştir. Bu amaçla asfalt örneklerinden kontrollü aydınlatma şartlarında görüntü alabilmek için bir sistem oluşturulmuştur. Elde edilen görüntülerle 46 adet asfalt örneğine ait bir veri tabanı oluşturulmuştur. Bu görüntüler her ne kadar homojen aydınlatma şartları altında alınmış olsa da, olası gri seviye düzensizliklerini giderme adına çeşitli filtrelerden geçirilmiştir. Daha sonra gri seviye parlaklık değerleri düzeltilmiş görüntülerin histogramı kullanılarak asfalt görüntüleri agrega, bitüm ve boşluk olarak üç sınıftan oluşacak şekilde bölütlenmiştir. Sonuçlar uzman kişi tarafından elle bölütlenmiş görüntüler ile kıyaslanmış ve başarım analizi verilmiştir. Başarım analizi sonuçlarına göre önerilen yöntemin veri tabanındaki görüntüler üzerinde yaklaşık olarak %85 genel sınıflandırma doğruluğu elde ettiği gözlemlenmiştir. Asphalt quality is directly related to the proportions of the components contained in its composition. Manual measurement of this ratio is a time-consuming and laborious process. In this study, an automatic segmentation method based on images obtained from the cut surfaces of asphalt samples was proposed first. For this purpose, an imaging system was set to obtain images under controlled lighting conditions from asphalt samples. A database of 46 asphalt samples was created with the images obtained from this setup. Although these images were taken under homogenous lighting conditions, they were also filtered through various filters to remove possible gray level irregularities. Then, using the histogram of gray level regulated images, the asphalt samples were segmented into three classes as aggregate, bitumen, and voids. The results were compared with manually segmented images by the expert and the performance analysis was given. According to the results of the segmentation performance analysis, it was observed that the proposed method obtained approximately 85% general classification accuracy on the images in the database.