bZET SiNiR

RENK RE<;ETESi TAHMiNLENMESiNDE YAPAY SiNiR AGLARININ KULLANIMI

bZET

Nurhan ONAR Pamukkalc Onivcrsitcsi Miih. Fak. Tekstil Miih. BoL 20020 KlIIlkhfDcnizli

Rcnk rc"ctc tahmin1cmcsi; veri len biT rderans rcnk ilc aym rcngi urctmck iyin hangi boyamladdclcrin hangi konsantrasyonlarma ihtiya~ duyuldugunu tahmin ctmcktir. iyi biT tahminlcmc yapabilmck dcncyimli boya uzmanlan i"in bile zordur. R~C1C tahmini; klasik rc\,etc ~lkarma sistcminc gore veya bilgisayarh rc,"c\c !,'lkam13 sistcminc gore yapllabilir. Klasik rc,"cic vlkanna sistcmindc biT boya uzmalll dcncyimlcrinc dayanarak vcrilcn renge yaklll biT r~ctc

tuttunnaya (j:ah~lr, bilgisayarh rcvctc (j:lkarma sistcmlcri isc yaygm olarak bilincn dogrusal modele (Kubclka-Munk modcli) veya dogrusal olmayan (yapay sinir aglafl) modele dayanabilir. Bu makalede dogrusal olmayan sisteme dayanan yapay sinir aglarmm kullanl ml ile reo;ete O;lkanna sisteminin nasi! ~all~tlgl a~lklanaeakhr.

Anahtar Kelillleler: Renk r~etesi tahmini, K-M mode!i, yapay sinir aglan

NEURAL NETWORKS MODEL ON COLOR RECIPE PREDICTION

ABSTRACT

Color recipe prediction was known to predict which colorants and their concentrations were required for a given reference color. Making a good color recipe prediction is even hard to expen colorists. Color recipe prediction can be made by classical and computering recipe prediction systems. The classical system is based on a colorist's prediction, while the latter is applied as linear model (Kubelka-Munk model) in common or nonlinear mode! (such as neural network model). In this paper, how color recipe prediction by neural network based on nonlinear model is working was reviewed.

Keywords: Colorre<:ipc prediction, K-M mode!, neural networks

• Sornmlu Ya=arlCorrespol1dil1g A IJihor: lIol1ar@pau,edu.lr

R&I"II; R"C01e" Tn"","""""",","""

Yapay Sa'IIf AQI,oronln K ... n'ml _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ NurMn OnIlr

I.

G IRl S

Gcnel bilgisayar ilc boyamladdc konsantrasyon hcsabl sistcm!cri Beer yasasma dayandlnlnll~hr. Beer yasasm3 gore konsantrasyoll vc boyannaddc absorbansl arasmda linecr biT ili~ki vardlf vc rcnk absorbsiyon ol"iimlcri Kubclb-Munk dcnklcminc (dcnklcm I) gore yapllmakladlr.

A, X C, +A, x C, + A, x C, = KJS=( I-R)'12R (I) Burada, A,; ijnci boyarmaddcnin absorbtivitc katsaYlsl, C,; j-inci boyannaddcnin konsantrasyonu. K; vcrilcn dalga uzunlugu i~in absorbsiyoll katsayJS1, S; vcrilcn dalga uzunlugu iyin saO;:llma katsaylSl, R; rcflcksiyondur.

Btl csasa dayanan modcllcrdc bir ~ozcltidckj absorblaYLcl lurlerin kafl~mll io;:in spcktrumun, tck ba~LIla spcktralann toplamlll3 c~it oldugu tahmin cdilir. Fakat boyannad- delcrin k3n~lmlan i"in bu tahmin yapllamaz, A~agldaki

~ckildc de goriildiigii gibi 3 absorbans spcktrasmm idcal olarak birbirinc ilavcsi dcncyscl olarak ol"iilcn spcktruma bcnzcmcmcktcdir (Sckil I) [ I ).

, ",---::::; .. 0---,

-

.. _.. ^, _, ^{, ," '}

_{I ----}

-

_{_}

,~ I - - --

• ,. '-., I

~ . " I. ,I

!

/!:" \\

. . _: . _. ^" _" --- _,>.j':

/ / . , \ \

.. ^".\

_;1.--\

- _. ^{" . ..}

^{; ' . , " - \}

~

_, ^' _l ^..

--."'-,

_{'\ \}

. _... ^"

"':.: _, ... ^{.' '}

..

^..

^{, ',} .., ^\ . ... ^"-- ,-

...

.. ^, _{" . "} . . .. ^{, .. ". ".}

^{, '" .}

... ^{". "} ....

~ckil I. O~lii boyannaddo ka"~lIl1mm clkilcri [11_

C;:ozeltidcki boyarmaddc kafl~mllarmlll spcktrasl ~ozelti

i"indcki ~c~itli hetcrojen etkilc~imlerden dolaYI boyarmaddclcrin tek ba~larma spcktralanllln toplaml dcgildir. Cozclti i~indeki bu hcterojcn ctkilqimlcr farkll boyarmaddc biiyiikliiklcrinc bagll olarak dcgi~en boya- boya ve boya-tuz ctkilc~imlcri, ~ozclti sicakligma vc pH varyasyonlanna bagll olarak boyarmaddc absorbtivitclc- rindeki farkllhklar olarak slralanabilir. Bu hctcrojcn

ctkile~imlcr boyarmaddc konsantrasyonu vc absorbansl arasmdaki dogrusalhgl bozar. Bu ncdcnlc ~oklu boyar- maddc kaT1~lmlannda konsantrasyon tahmini i~in yeni bir lineer olmayan model geli~tirilmesinc ihtiya" duyulmu~­

tur. Bu ama~la yapay sinir aglannm kullanllmnlll iyi

sonu~lar vcrdigi bulunmu~tur [I ). C;:iinkii bu ama~la yapay sinir aglarlilda kullamlan aktivasyon fonksiyonu dogrusal olmayan yaplya sahiptir.

Bununla birliktc bilgisayarll re~ctc hcsaplama sistcmlcri bir on hazlrllk i~lcmini gcrcktirir. Bu on hazlrllk i~lemi

zaman alici vc i~ giicii gercktircn bir i~lcmdir. On i~lcmdc tcmel kalibrasyon boyamalan "c~itli konsantrasyon arahklarmda ornck rcnklcrin hazirlalllp spektral rcflcktans degcrlerinin spcktrofotomctrelerdc okunmaslm gcrektirir, Aynca bu on hazlrllkta ornckler laboratuarda hazlrlanlr- kcn, cldc cdilen vcriler i~lctmc ~rtlarma uymayabilir (2).

Yapay sinir aglan isc iirctim orncklcrini kullanabilir, ozel kalibrasyon boyamalarma gcrek duymaz. Aynca daha onccden de bahscdildigi gibi Bccr yasasma dayanan sistcmlerdc konsallirasyon-absorbans arasllldaki ili~kidc

dogrusalhgl bozan pck "ok faktor goz ardl edilmcktcdir, Bu ise r~ctc hcsabmda hata payml artlrmaktadlr, Dogrusalllgi bozan pck "ok faktoriin dc hcsaba kauldlgl yapay sinir aglarlila dayanan sistcmdc re~ctc hesabmda hata paYI azalmaktadlr.

Yapay sinir aglan rcnk r~ctc hcsaplama sistcmlcri yamnda renk uygulamalannda pek ~ok alanda ba~anyla uygulanml~lIr. Chung vc ark, rcnk analizindc RGB \"c XYZ haritalannl olu~tunnak i~in yapay sinir agl modclini

kullalllm~tlr (3). Balel vc Ogulata kimyasal bitim i~lemlcri

sonucunda boyaJlJm~ kuma~lardaki rcnk dcgi~iminin \"c CIELab dcgerlcrinin bclirlcnmcsi i"in yapay sinir aglanm

kullalllm~tlr [4). Golob vc ark. Ickstil baskl pall formulas- yonlarmm kombinasyonunu tespit ctmck i~in yapay sinir aglarull kullaJlJm~lardlr. Bu "all~mada iSlcncn rengi cldc ctmcdc uygun boyalan saplamak i"in rcnk uzmanlanna yardlillCl olarak yapay sillir aglarlilm etkinligi gosteril-

mi~tir (5). Furfcri vc Carfagni jiggcrdc boyanan scliiloz csasll kuma~lann renginin vc rcnk stabilitcsinin tahmin- lenmcsi i~in yapay sinir aglarlill kullanml~lardlr. Jiggcrdc boyanan bir kuma~1II rcngi vc renk stabilitcsi boyalarm rcnginc, i~lcm slcakllgma, boya banyosunun pH'sma vc boyama siircsi gibi tcknolojik parametrelcrc biiyiik ol~iidc

baghdlr. Rcnk uzmanlan istcncn rengi vc rc~clcyi

tutlunllak i"in pck ~ok tcst yapmak zorundadlr. Bu "all~ma

rcnk uzmanlilln boyama tcstlcrine ihtiya~ duymakslzm rcngi vc rcnk stabilitcsini tahmin ctmesinc yardmlci olma- yl ama"laml~1Ir (6). Li ve ark. radyal tcmelli fonksiyon ilc yapay sinir aglan vc gcnctik algoritma kullanarak bir renk

kar~lla~tJmla YOlllcmi gcl i~tinlli~lcrdir. Tekstillaboratuvar degcrleri vc boya konsantrasyonlan araslllda linccr olma- yan bir ili~kinin oldugu gostcrilcrck yapay sinir agmda boya konsallirasyonu girdi dcgcri vc tekstil laboratuvar degcri ~Ikll dcgcri olarak almml~tlr. Rcnk kar,;lIa~tJmlasl­

nm optimal formiiliinii bulmak i~in gcnctik algoritma da modclc dahil edilmi~tir. Kubclka-Munk teorisi ilc renk

kar~lla~tJmlasma gore bu modclin yiiksek kcsinlik, dii~iik

iicrct ve hlzll ccvapalma gibi bazl avantajlara sahipoldugu

bulunmu~tur Dcncmelcr gostcrmi~tir ki bu model kullam- clya hlzll bir ~ekildc tallnin edici bir fomliil saglayabilir (7).

RaM R"C01e" Tn"",",'",,(,_"""

Yapay s.n~ AQlaronln Kullan,ml _ _ _ _ _ _ _ _ _ _ _ _ NurMn OnIlr

Vadood vc ark. yapay sinir aglart vc gcnctik algoriunaYI kullanarak akrilik kuru ,"ckim iirctim hattlllill

optimizasyonunu saglamaya o;ah~IlIl~lardlr [8]. Nasiri vc ark. policstcr boyamada ismtistikscl rcgrcsyon, bulamk rcgrcsyon vc yapay sinir ag' modclIclllc mctotlannl

kar~!la~tlrml~lardlr [9). Xu vc Lin bulanlk-sinir sistcm!crini kullanarak basklh kuma~larm otomatik Tenk analizini o;ah~lm~lardlr [1 OJ. Thevcllcl vc ark. ilcri bcs1cmc yapay sinir aglannt kllllanarak iplik cginnc i~lcmindcll

SOIlT3 Tenk dcgi~imlcrini modcllcmi~lcrdir [II

J.

^Trussell

fenk hcsaplamasl io;in yapay sinir aglanm, blllamk manltk vc dij ita 1 sinyal i~lcmc proscslcrin i uyglllalm~1Ir [llJ. Lin vc ark. tckstil moda rcnk trcndini lahminlcmck i~in bir gri yapaysiniragl modcli gcli~tinlli~lcrdir [13].

2. VAPAVSINIRAGLARI

Vapay sinir aglarma dayah modcllcr yapay zcka kaVramll13 dayanarak tiirctilmi~lcrdir. Vapay zckamn tanum tartl~mah bir kavrallldlr. C:ogu ara~tlnllaClllm kabul clligi gibi yapay zcka alamnda iki ana hcdcfvardlr. ilk vc ondc gclcn hcdcf zcki makinclcr iirctmcktir. ikinci hOOcf isc zckanm yaplsllli kc~fctmcktir. Zckamn yaplsl ara~tlTl­

hrkcn bu yondcki cgilimlcrdcn biri beynin modcllcnmcsi yoniinc kayml~tJr. Bcynin modcllcri noronlar vc yapay sinir aglafl baz ahnarak iirctilmi~tir vc bu noronlar vc yapaysiniraglaTi bilgi i~lcmc i~in kullamlml~tlr.

Bugiin yapay sinir aglarmm kullanllm iizcrinc ~ok fazla saYlda ara~tmlla vardlr vc yapay sinir aglaflmn ozclliklc

konu~ma tamma vc makincnin gOTIllC gucii kazanmasl alanlaTinda ba~anh kullamml bu uygulamalaTin yaygmla~­

maslm ccsarctlcndirmi~tir [14].

Wu vc ark. iplik cgirmc sistcmlcrindc gcri yaYllma yapay sinir aglan vc bulanlk kontrol yapay sinir aglaTi olmak iizcrc iki farkh yapay sinir agl modclini kullannll~lardlr.

Bu iki modclin yiiksck kalitc tahminlcmcsi sagladlgl vc bulamk kontrol sistcmi ilc cldc cdilcn sonu~larlll ogrcnmc proscsini oncmli miktarda hlZlandlnlla potansiyclinc sahip oldugu bulunmu~tur [15]. Yin vc ark. yag Ickcsi, dclik gibi tckstil halalarlllm sllllflandmlmasmda gcri yaYllma yapay sinir aglarllll kullanml~lar vc bu yontcmin ctkili bir ~ckildc

halalaTi tcspit cdcbildigini vc yiiksck tamma dogruluk oranmda hata tiplcrini slmflandlrabildigini bulmu~lardlr

[16,17). Liu vc ark. tckstilliflcrinin kantilatifanalizi i~ill

gcri yayllllla yapay sinir aglaTi csasllla dayanan Yaklll Klzllotcsi Spcktroskopisinin kullamnllm oncrmi~lcrdir

[18]. KUlllar ilcri bcslcmc yapay sinir aglaTi sistcmini kullanarak biilgcscl tckstil halalaTinm aYTIlmasl i~in ycni bir yakla~1ll1 gcli~tirmi~lcrdir. Aym zamanda linccr yapay sinir aglaTill1 kullanarak hlZh ag allalizi i~in ycni dii~iik

iicrctli bir ~oziim oncmli~lcrdir. Qncrilcn bu iki yakla~1ll1 ilc gcr~ck kuma~ hatalarllldan cldc cdilcn dcncyscl

sollu~larlll faydall olduk laTllll dogrulaml~lardlr [19]. Su vc ark. tckstil tckstiirc tiplcrini tanllnak i~in gcri-yaytlma

yapay sinir agl bulanlk kiimclcndinnc analizi kullanllmm vc goriintii rcnk tonu vc dcgcrlcrini cldc ctmck i~in ""aI'clel

transfer kullammllli oncnni~lcrdir [20). Bir ~ah~mada

dijital kamcra ilc alman dijital kuma~ goriintiilcri yapay sinir aglarma bcslcmck i~in vc ROB goriintiilcrinin

donii~iimlcri i~in ilk olarak biilgcscl c~ik tckniklcri \'c rcstorasyoll proscsi ilc ikili goriintiilcrc donii~tiiriilmii~tiir.

Daha SOHra hatalarm alanl. bir goriintudcki ncsnc saylSl vc

~ckil faktorii olmak iizcre 3 farkh ozcllik yapay sinir aglarlllln gcr~ck girdisi olarak belirlcnmi~tir. Bu sistcmin

~ok yaygm hatalaTi vc az goriincn hatalan tc~his cdcbildigi

bulunlllu~tur [21]. Wu vc ark. yapay sinir aglan i~in

"Elcktromanyctik Algoritma" olarak isimlcndirilcn hcuristik algoritmaYI kullanarak konfcksiyon pcrakcndc

i~lcmlcrinin anahtar girdilcri vc pcrformans ol~iimlcri

arasllldaki ili~kinin mCla-modclini gcli~tinni~lcrdir [22].

Bhallacharjcc vc Kothari kUllla~larm Isil dayanllmm

iil~mck i~in ilcri-beslcmc, gcri yaytlma yapay sinir agl sistcmini kullallml~lIr [23). Yucn vc ark. omlC kuma~larda diki~ hatalannlll smlflandlfllmasl i~in gcri yaYllma \'C radyal csash yapay sinir agl sistcminin kullammmm ctkili oldugu bulmu~tur [24]. Bir ~ah~mada fonksiyoncl tckstil dizayn sistcmlcrindc giysilcrin ISII fonksiyonunu tahlllin- Icmck i~in biilgcscl vc toplam ISII hassasiyct modcllcrinc dayallan bulanlk yapay sinir ag sistcmi sUllulmu~tur. Daha oncc ~all~llan dcncyscl vc regrcsyon analiz yakla~lmlafina

bcnzcmcycrck bu modcl insan ISII ccvabl-viicutozii vc cill slcakhgl gibi dirck faktorlcrc baghdlr [25). Hadizadch vc ark. bir ~all~malaTinda bczayagl dokuma vc bezayagl dokuma tiircvi kuma~larm yiik-uzama davranl~ml tahlllin- Icmck i~in yapay sinir aglaflm kullannll~lardlr [26]. Yu vc ark. tckstil auk sularmdan rcnk uzakla~masl i~in

oksidasyon azalma potansiyclini (ORP) monitorlcmc \'c yapay sillir aglaTllll kullanarak bir Fcnton dozaj kontrol stratcjisini kunnu~lardlr [27]. Chcn vc ark. proscs para- mctrelcrindcn spulldond dokusuz yiizcylcrin lif ~aplm

tahminlcmck i~in istatistikscl vc yapay sin ir agl modcllcri- ni kullalllm~lardlr. Baycsian ~crycvcsinin yapay sinir agl daha kii¥uk tahminlcmc hatasl iirctmi~tir [28]. Chcn vc ark. kamgaTll kuma~larlll makaslama scrtliginin tahminlcnmcsi i~in yapay sinir aglarllli kullanarak girdi

dcgi~kcn sc~im mctodu oncmli~lcrdir [29). Bo. yapay sinir ag tcorisini kullanarak ha~llh iplik kalitcsinc gore dokuma- daki ~ozgii kopu~ oranlarllli tahminlcmi~lcrdir. Sonu~lara

gorc yapay sinir aglanmll kalitc tahminlcmcsi i~in ctkill bir tcknik oldugu vc tckstil cndiistrisindc pck ~ok alanda kullallliabilcccgi bulullmu~tur (30). Natcri vc ark. Ilano- bitim gonllii~ pamuklu kuma~m antibaktcriyal aktivitcsini yapay sinir agl akllh sistcmini vc bulamk-sinir tcknigini kullanarak simiilc ctmi~lcrdir [31]. Au vc ark. hata gcri- yaYllma ogrcnmc algoritmasl vc bulalllk analitik hiycrar~i

proscsi ilc ilcri beslcmc yapay sinir agl kullanarak bir konfcksiyon fabrikasmln ycrlc~imini bel irlcmck i~in karar alma modcli gcli~tinni~lcrdir [32]. Chcn ve Huang kuma~

boncuk lanma dcrcccicrinin dcgcrlcndirilmcsi i~in objcktif

R&I"II; R"CO'te" Tn"","""""","""",

Yapay s.rw AQlannln Kulan,ml _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIlr

vc ycnil ikyi bir amv olarak goriintii analizini kullanm I~tar

vc yapay sinir aglarllllll Kohollcn kcndi kcndinc organize goruntu haritalan i1c boncukJa~ma dcreccsini dcgcrlcndir-

mi~1crdir [33]. Btl ~ah~malara bcnzcr ~ckildc kuma~

hatalannln analizindc [34, 35, 36, 37], iplik1crin ozcllik!c- rillin tahminlcnmcsindc (38, 39, 40), hayvansaJ litlcrin

tc~hisi vc slJllflandlnlmasmda [4\. 42, 43], filtrasyonda kullamm iyin nonwoven kuma~larm yaplozcllik ili~ki1cri­

nin modcllcnmcsindc [44], tckstil proscslcrinin cntcg- rasyonu vc kontroliindc [45, 46, 47], buru~mu~ kuma~lanll

gorsel ozcllik1crini dcgcrlcndinnck iyin [48], dokusuz yUzcylcrin yaplsal paramctrclcrinin tasarlanmasmda [49], moda perakcndc tahminlenmcsindc [50), iplik <;,ckmcsinin tallminlcnmcsindc [51) vc lillcrin <;,ckilebilirliginin tall- minlenmcsindc [52) yapay sinir aglannlll kullammma

<;,all~llml~tIr.

Rc<;,ctc tahminindc kullamlan yapay sinir aglan bir girdi vc

<;'Ikh tabakasmdan vc bir veya birka<;, gizlencn tabakadan

olu~maktadlr. Yapay sinir aglan gizlencn tabaka kullaml- madlglllda tek tabaka algi lama sistcmi (single laycr pcrccptron, SLP), gizlcncn tabaka kullamldlgmda isc <;,oklu tabaka algllama sistcmi (multilayer pcrccptron, MLP) olarak adlandlnllr. Sckil2 vc denklcm 2'yc gorc bir toplam vc bu toplamlll aktivasyon fonksiyonuna yerle~tirilmesi ilc

<;'Ikh tabakasl noronlan hcsaplamr .

•

a ^{= L WjXj} (2)

;-0

Burada w; aglrhklan, x; isc girdi tabakasilldaki noronlann dcgcrlcrini gOslcrir. j; isc girdi tabakasllldaki noronlan ifade cden bir all indistir.

Rc<;,etc tahminindc kullamlan yapay sinir agl modcllcrindc gcnclliklc aktivasyon fonksiyonu olarak nonlinccr bir yapl gostercn sigmoid fonksiyonu (dcnklem 3) kullamhr.

(ll Burada, F(a); aktivasyon fonksiyonu vc a; noronlann aglrhklanyla <;,arplmlllill toplaml (bias dcgcri bu toplamdan <;,Ikanhr)olarak ifadc cdilmi~tir.

Bu sigmoid fonksiyonu ile boyannaddclerin konsantras- yonlan aglrhklara bagh olarak hcsaplanabilir. Arada gizlcncn tabaka var isc oncc gizlencn tabakanlll noronla- nnlll dcgcrlcri denklcm 4'c gorc ve sonraslllda ~Iktl

tabakasllldaki noronlarm dcgcrlcri dcnk1cm 5'c gore hcsaplanlr.

H=F,,(1W,,-OIl) O=F,,(HW.,-O.,)

(4) (5) Burada, H;giz1cncn tabaka noronlan. O;~ Iktl noronlan, F,,;

aktivasyon fonksiyonu, I; girdi noronlan, 1-/; giz1cncn tabaka noronlan, W" ve W o;gizlcnen tabaka vc ~Ikt~

tabakasl aglrhklan. 0" vc 00; gizlencn tabaka vc ~Ikt~

tabakasl biasdcgcr1cri.

Bu noronlar matriks yaplslllda cldc cdilcbilir. Omcgin [I ,5 1,5 0,5) <;'Ikll matriksi 3 boyarmaddc konsallirasyonunu vcnncktedir.

- -

^"

- =

~ekit 2. Tok labaka algl",1 yapay .inir agl [53]

Gillenen

...

$ekiI3. ~.,klu labaka algl",1 yapay sinir agl [2)

o

Girdi vc pkll tabakalanmn boyutlan problem tarafllldan saptanmasllla ragmen verilen hcrhangi bir problemi i;ozmck iyin istenen gizlencn tabakadaki noron saYlsl yalmzca dcncyscl olarak saptanabilir. Aynca transfcr (aktivasyon) fonksiyonu. ogrenme hJZl, ogrcnme kurah (aglrllklann dcgi~imi iyin), vc istenen ogrcnmc omcklerinin saYlslmn sCyimi tumuyle dcncyscl olarak saptanmalldlr.

Pck yok ~c~i! sinirscl hcsaplama mctodu bulunurkcn, burada kullamlan yapay sinir agl modcli yc~idi

slllillandirma modcllcrini (pcrceptron) olu~turur. Bir renk uzmamnlll omck bir rengi klmllzlmsl yc~il (klrmlzlsl ~ok)

olarak slmllandlmlasl gibi, bu yapay sinir agl modcli dc ogrcnmc vc dcncyim kazanma a~amasllldan sonra Kubc1ka-Munk modclindc absorbtivitc1cre dcnk gc1cn aglrhklan nonlinccr olarak dcgi~tirerck (omcgin mavinin aglrhgllli slflrlayarak vc yc~ildcn yok kmmZlya aglrhk vcrcrck) bu rcngi slllillandirabilmcktcdir. Rcyctc tallminlcmcsi durumunda girdi tabakasl noronlarml rcnk koordinatlan (CIELab dcgcrlcri, XYZdcgcrlcri), L·, a· vc b'" dcgcrlcri vc spcktral radyans faktorii (SRF) vc spcktral rcllcktans dcgcrIcri [54.14, 55) VC ylktl tabakasl noron- larnll isc boyarmaddc konsantrasyonlan olu~turabilir.

R&I"II; R"CO'te" Tn"","""""","""",

Yapay s.rw AQlannln Kulan,ml _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIlr

Aynca bumda dikkat cdilmcsi gcrckcn biT husus da ~udllr

ki; renk tahminlcmcsi vc rc!;ctc tahminlcmcsi farll! kav- ramlardlr. Rcnk tahminlcmcsindc biT rc,"ctoocn iirctilcn rcngin spcktral rcflcktans dcgcr1crinin tahminlcmcsi

gcr"cklc~tirilir. Rc,"c\c tahminindc isc bUJlun 13m tcrsi bir

i~lcm uygulalllf, yani allllan bir rcngin spcktral rcflcktans dcgcrlcrindcn rc!,'ctc tahmini, dolaYlslyla kafl~ml boyar- maddclcrinin konsantrasyonlarmm tahmini gcr"cklc~tiri­

lir. Pratiktc bu iki snllf paramclrc arasmda t3m leTS biT ili~ki

yoktur vc tcrsinc i~lcycn problcmi ,"ozmck kolay dcgildir.

Yani hedef; rcflcktans spcktrumu vcrildiktcn sonra rcnk- lcndirici rc,"c\csinin tahmin cdilmcsidir [2],

Yapay sinir aglannda orncklcr ogrellmc kumcsi vc tcst kiimcsinc aynllr. Ogrenmc kumcsi kullamlarak onccliklc yapay sinir agl ogretilir. Ogrcnmc pcriyodunda rcnk girdi- 1cri (rcnk renektans dcgcr1cri gibi) \"C kaTl~lm boyammddc konsantrasyonlan (~lkttlar) amsmdaki ili~kiyi yapay sinir agl ogrenir. Ogrenmc periyodu boyunca aga pck yok ornck vcrilir. Oretimdcn gclcn boyannll~ omcklcr bu gorev iyin yani agm ogrenmcsi i~in idealdir. Agm ogrcnmesi slmsm- da re~ctc (~lkll) vc renk renektans dcgerlcri (girdi) bilinir.

Boylccc agl olu~turan yapay noronlar arasmdaki baglanll- larm aglrllgl ayarlanarak basit bir ~ckildc ag bu bilgiyi dcpolar. Ogrcnmenin dcpolama i~lcmi boya UZlllanmm bil- gi vc dcneyimlerini biriktirrnc i~inc benzcrdir (2). Daha sonra tcst omcklcri kullamlamk agm vc bel ir1cncn aglrhk- larm dogrulugu tcst edilir.

Bir kcrc uygun olarak ogrctilcn ag; agm tcst omck1crindc ylkll noronlarull kcndisi hcsaplayabilir. Bu "gcnellc~tirrnc'­

olarak bil incn oneml i bir ozelliktir.

Bir yapay sinir agml tasarlamada en oncmli parnmctrclcr kay gizlcncn tabaka vc gizlencn tabakada kay gizlcncn noron kullamlacagl ve ogrcllmc kumesinin buyiiklugudur. Gizlcncll noron saYIsI dcncyscl olarak saptamr. Gizlcllcn niiroll saYlSl- na ka~l tcst pcrfomlansl egrisi ylkanltr vc cn yiiksck pcrfonJmllS saglanan gizlencn noron saYIsI tcrcih cdilir.

Aglrllklarm belir1cnmcsindc momcntum tcrimi ilc uygun aglrllk dcgcr1crinc daha hlzll yakmsama saglanlr. Momcn- tum tcrimi 0-1 araslllda bir dcgcrdir [56).

J, RENK Ou:;Ol\IUNDE SINIR AGLARININ KULLANI1\11 UZERiNECALlSMALAR

Bishop (1991), nOnJmlizc cdilmi~ tristimulus dcgcrlcrinc dayanan bir yakl~um simiilc ctmek iyill geri yaYllma agml (backpropagation net, BPN) kullalllm~ur. Bu yakla~mlln

avantajl tristimulus dcgcrlcri ilc girdi degi~kcllillin saYIsllun 3 ilc sllllrianmasldlr. Bu durumda bu agtopolojisi ~ok basittir: 3 girdi, 8 vc 16 gizlcncn vc rcnk saYISI kadar ylktl noroll birimlcrindcn olu~ur. Fakat sonuylann prntik ilc uyumu yok

dii~iiktiir [57].

Jasper vc ark. (1993); 3 ticari boyarmaddc kullanamk (Cibacron ycllow G-E, Cibacron brilliant red 4G-E, vc

Cibacron blue TR-E) 0, 0.05, 0.1 vc 0.15 gil konsan- trasyonlarda toplam 62 tanc olmak iizcre tckli, ikili vc ii~lu

boyarrnaddc kan~lmlan i1c boyama re~ctclcri uretmi~lcr­

dir. 3 farkll model ilc boyama re~ctcleri eldc edilmi~tir:

Becr yasasl modcli (Model I), modifiyc linecr model (Model 11) vc yapay sinir agl modeli (Modcl 111). Becr yasasma gore boyanlladdc1crin maksimum absorbsiyon yapttklan dalga boyundaki absorbans dcgcrlcri vc konsantmsyon arasmdaki ili~ki dcnk1cm 6'dc gosterildi.

A=alc (6)

Burada, A; boyamladdcnin maksimum absorbsiyon yaptlgl dalgaboyunda absorbans dcgcri, a; boyarrnaddcye ozel absorbtivitc katsaYlsI,I; l~lglll gCytigi yol uzunlugu vc c; boyanlladdc konsantrasyonunu ifadc ctlllcktcdir.

Rcyctc tahminlcmcsindcki rclatif yuzdc hatalar tck boyarrnaddc ilc boyamalar iyin dcnklcm Tyc gorc hcsap-

lanml~llr. C:oklu boyarmaddc kan~lmlafl ilc boyamalar

i~in rCyCIC tahmin1cmcsindcki rclatif yiizdc hatalar isc denk1cm 8'c gore hesaplanml~tlr.

, - , I

%Hata = ~ ""'nunJ""' xIOO

'-

⁽⁷⁾

Burada; c; konsantrasyonun, R; kmmzl boyarnladdc konsallirnsYOllwllln, B; mavi boyannaddc konsallirasyo- nUlllUl; Y; san boyarmaddc konsalllrasyonwuUl all indisc bagh olarnk gcryck vc tahminlcncn dcgcrlcrini ifadc cuncktcdir.

Becryasasl modeli (Modcll) iyin dcnklcm 9'dcki matcma- tikscl ifadc; modifiyc Iinecr model (Modclll) i~in dcnklcm

I O'dcki matcmatiksel ifadc kul1alllhlll~llr.

[~

^Am

'l

⁼

^{[CC" CC 2 l}

^CC

^CC"

^ll

^CClj CC'T'l

^c1

-\10

CC

_{l ,}

CCll CC

_ll c_J

(9)

Allll

~"' ~" ^P'1 ~ "

AIOI ₌ ~.,

P1' P 21 ~ "

^C,

Am ~.,

~" ~ " ^{~ "}

^{c, (10)}

A ,"

~.

~" ^P., ~ "

^c,

Bumda A; boyanlladdclerin maksimum absorbsiyon yaptlklan dalga boylan olan 420 nm'dc san, 595 IIm'dc mavi. 520 nm'dc ktnlllZI boyarmaddc iyin absorbans dcgcrlcrini, C._J= a'jl; tck ba~lIla boyarmaddclcrin spcktrasllldan eldc edilcn kalibrasyon katsaylSl,

P ,;

ise Modclll i~in kalibrasyon katsaytlannl; c" c,' c,; slraslyla klmllzl, mavi vc san boyarmaddclcrin konsantrasyonunu ifadc ctmektcdir.

R&I"II; R"CO'te" Tn"","""""","""",

Yapay s.rw AQlannln Kulan,ml _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIlr

Model J l'de p.,;kcsi~im tcrimidir vc bu \crim i1c ii"lii boyar- maddc kan~lmlarllldaki boyannaddc ctki1e~imlcri hcsaba

kalilabilmi~tir. Aynell btl modcldc 4 dalgaboyu i"in absor- bails degerleri kullaml ml~llr.

·

•

·

•

^,

~ckil 4. O~ model i~in yiizde re1atifhatalann hislogrnml [11_ Yapay sinirscl ag modclindc geri yaYllma yakl~mlJ (back propagation net, BPN) kullamlml~tIr. Aktivasyoll fonksiyonu olamk sigmoid fonksiyon, Aspirin isimli biT software, farkh ag topoloji1cri (en iyi sonu~ 401-12-3 ile cldc cdildi) dcnenmi~tir.

Ogrenmc

hlZI 0,01 olarak ahnml~llr.

Sonuy olarak Beer yasasmdan sapmalardan dolaYl ortalama rclatif hala Model l'de %31 olarak saptanml~tJr. Model II yalmzca 3'lu boyanlladdc kan~lmlan i<;in %9 ortalama rclatif hala vcrnli~tir. Model HI %2,6 relatif hata ile digcr modellerin tiimiinden iyi sonu~ venni~tir [I].

Bu yall~maya Vanghcluwc vc ark.'lan (1994) tarafilldan yapllan bir e1c~tiride nctworkull ogrendigini dogrulamak iyin herhangi bir test kiimesi bulundurulmadlgl

bildirilmi~tir [58]. Buna kar~allk olarak Jasper (1994) test omek1cri kullandlklarllli aYlklaml~lIr. Fakat test kiimesi olarak kullanllan ornck saYlsl hala a~lk olarak

bclirtilmemi~tir,

Sekil 5'te de gostcrildigi gibi bclirli bir degerden sonm ogrenme dongiisii (kiimesi) saYlsllldaki aTll~ ogrenme kiilllesinin dogrulugunu artlflrken, test kiimcsinin dogrulugunu azaltmaktadlr. Bu a~m ogrcnillc (ovcr tminig) dcnilcn duruilldan kayillmak iyin ogrcnmc vc test kiilllcsi omck saYllarlll1ll dogru s~illllcsi oncmlidir. A~m

ogrcnmc; ogrcnmc kiimesinin bclirli bir omek saYlsllldan sonra yapay sinir aglllill aglrhk diizcltmcsi ilc hataYI azaltmasl ycrinc czberlcmcyc ba~lamasl ve dolaYlslyla hata paylllill artmaya ba~lamasllm yorumlanmaktadlr [59],

•• .. - --

•• ..

••

·· '-c:=--==-c=:-::cc::c:::-:: . --- ---

Seldt S. Llgrenmc kiimcsindcki dongii say,","a gorc ogrenmc kiimcsi vc lesl kiimesindcki onatama hatalar [8]

Bczzcra vc Hawkyard (2000) ~all~malarillda 3 farkh i1eri bcslcmc yapay sinir agl (fccdforward ncural network) yontcmini florcsant boyarmaddclcrin konsantrnsyonunu tahmin ctmck iyin kullallml~lardlr. 283 ornek yapay sinir agllllll ogrcllmcsi iyin ve 28 ornek yapay sinir agllli test ctmck iyin kullamlml~lIr. Bu yontcmdc girdi tabakasl noronlan olarak top lam spcktral radyans faktorii (SRF), XYZ vc L 'a'b" dcgcrlerinden faydalamlml~lIr. Bu girdilcri farkh olan yapay sinir aglaflndan yallllzca SRF dcgcr1crini girdi norollu olarak kullanan yapay sinir agl % 3,92 onalama yiizdc relatif hata ilc kabul cdi1cbilir sonuy

vcmli~tir. XYZ vc L 'a'b" girdi noronlan iyin yapay sinir aglan ise slraslyla %45,66 vc %39,48 ortalama yiizdc rclatif hata dcgcri vcnni~lcrdir. Aynl zamanda tcrsinc yondc i~1cm uygulandlgillda yani kOllsantrasyon dcgcrlerinden SRF cgrilcrinin iirctilmcsindc iyi wnuylar clde cdilmi~tir. Aynca test kiimesindeki ornck saYlslll1ll 189'dall (%3,56 rolatif hata) 208'c (0/04,43 rolatif hata) artmimasl ilc 400-700 nm arnsillda tahmin cdi1cn vc olyiilcn SRF dcgerlcrinden olu~n cgri1cr ylkanlml~lIr

(SekiI6, 7) [54].

00

.

. . _-

.-

•

"

^o

_,,

^,

_~

^{, •}

J _..

' ^" . ..

- - -

•• ,.

~kit 6. 1 K9 i\mek saYIS! ~in

---

gcn;ck vc tahmin cditcn SRF egrilcri [53]

..

"

• ':: ) 1 \ ,

" ~ ~/

" --- ••

~kil 7. 20S i\mek saYlSl i~in gcn;ck \"c tahmin edilcn SRF egrilcri [53]

Mrujonicmi vc Mantysalo (1997); ANFIS (Adaptivc Ncuro Fuzzy Infcrencc Systcm) sistcmini; dalga boyu vc konsantrasyondan boyannaddc absorbans!lll tahmin ctmck iyin kullanma)'l dcncmi~lcrdir. 2 veri kumcsi vc ikili boyarmaddc kan~II11lanllln her biri bu amay iyin kullaml-

ml~ur. Birinci vcri kiimcsindc san boyannaddenin konsan- trasyonu 50 mgfl, ikinci vcri kumcsindc 100 mgfl olarnk

allJlnll~tlr, Klmllzl boyarmaddcnin konsantrasyonu isc birinci vc ikinci veri kumcsindc 0-900 mgfl arahgillda dcgi~mi~tir

R&I"II; R"CO'te" Tn"","""""","""",

Yapay s.rw AQlannln Kulan,ml _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIlr

vc her biT veri kiimcsi i~in [8 diizcycayarlamm~lJr. 400-580 nm dalga b(jYu amstnda 19 dalga boyu diizcyi

kullaJ\llim~lIr. Ogrcnmc kiimcsi 342 orncktcn, test kiimcsi 23 omcktcn olu~mu~tur. Klmllzl boyannaddc konsan- trasyonunda dcg:i~imlcrlc giiriiniir bOlgcdcki gcr~ck vc tahmin cdilcn absorbans dcgcrlcri araslIIda uyum gozlcnc- rck ANFIS'lIl ba~ansl k3mtlanml~tlr.

Yapaysiniragllllil pcrfonnanslJlu dcnk1cm 11'den cldc cdilcil standan tahminlcmc hatasma (P) gore karaT vcrilmi~tir.

(II)

Burada c,,: omck i i~in test kiimcsinin tahmin cdi1cn 01131a- rna kOllsantrasyonu, c,; iimck i i~in test kiimcsinin bilincil konsantrasyonu, n; test orncklcrinin saYLslnJ ifadc ctmcktcdir[60J.

Westland (\998); ~oklu tabaka alglsal yapay sinir agml (MLP) kullanarak re~ete mhmini yapml~tlr. 400-700 nm bOlgesinde 10 nm amhklarla rdlektans deger1erine

ka~lhk gelcn 31 tane "Ikll tabakasl noron birimi ve 6 baskl miirekkebi i"in konsantrasyonlan gostercn 6 girdi tabakasl noron birimi kullaJ\llml~tlr. Gizlcnen tabakadaki noron saYlsI 6, 7 ve 8 ahnarak etkisi inec1cnmi~tir. Momentum terimi 0, I olarak sabit ahnml~lJr. Rcnk kaTl~lmlan opak grnlik iizerinc basllml~lIr. 123 ornekten olu~an ogrenme kumcsi ve 40 ornekten olu~n test kumesi olnmk uzerc 163 renk ornegi kullamlml~lIr. Diger aglarda 80, 60 ve 40 ogrenme kumesi ornek saylSl kullamlarak ogrenme kumcsi omek saYlsmm yapay sinir aglannlJl tahmin1cme pcrformanslJldaki etkisi incelenmi~tir.

Sekil 8'dc aym saYlda test omegi saYlsl i"in rcnk tahminlemcsindc yapay sinir agl ve K-M tahmin1cme sisteminin perfonnansl kar~lla~lInlml~lJr. Yapay sinir agl i"in 6 (e~kenar dongen), 7 (kare) vc 8 (u"gen) gizlcncn tabaka noron saYlsI i1c "all~llnll~lIr. Sekil 8'de K-M modclinin performansl tck bir Ylldlz i~areti ile

gosterilmi~tir. Test kumesindeki her omek i"in CMC(2: I) renk farkhhgl hcsaplannll~ ve tum ornekler i"in ortalama renk farkhhgl bel irlenlJli~tir. Verinin U" kumesinin her biri i"in kcsiksiz "izgiler lineer regresyon uyumunu gosterir.

Yapay sinir aglan perfomlanslJlda gizlenen tabakadaki noron saYlsmm etkisinin az oldugu bulunmu~tur. Ogrenme kumesindeki ornck saYlsl artarkcn yapay sinir agmm pcrformansmda surckli bir gcli~mc goz1cnmi~tir. Ogrenme kumesi omek saYIsl 123 oldugunda K-M mOOcli yakla~lk

1,5 birim onalama E renk farkhllgl verirken yapay sinir agl kullamldlgmda yakla~lk I birim ortalama E rcnk farkllhgl clde cdilmi~tir. AyTlca ~ckil 8'c gorc 40 kalibrasyon ornegi i"in K-M mOOelinin tercih edilir oldugu bulunmu~tur.

Fakat K-M mOOeline daha fazla omek girilirse bunun mOOelin perfornmnslnda daha fazla gcli~mc saglaYlp saglamayacagl a"lk degildir. Aynca yuksek saYlda

ogrcnme kumcsi omek saYlsl i~in ANN mOOeli olduk~a

uygunken, K-M dcnklemlerine ilave omek1cr eklemck kolay degildir. ANN mOOeline ise 123'tcn daha fazla omck

girnli~olsaydlk OlaSI olarnk t.E renk farkhhgl degerlerinde daha fazla gcli~me gozlencbileccgi ve bu degerin I'dcn

a~gl du~ecegi bildirilmi~tir [2].

•

0 . - _ _ ^~ _ ¹⁰¹

,.

$ckil 8. Yapay .inir agl VO K-M modeli i,in onalama CMC renk farkhllgl[2].

Aynca Westland (2002); rc"etc tahminlemesinin tersine rcnklendirici konsantrasyonlarmdan spektral reflcktansl tahmin1cme yetcnegi bakmllJldan Kubclka-Munk mOOcli vc yapay sinir aglarlJll (ANN) kullanml~lIr. (Junun i"in iki yontemi kombine cderek hibrid bir KM-ANN modelinin performansml degcrlendirmi~tir. (Ju ama" i~in, 6 murekkep bi1e~eni (6 girdi tabakasl noronu) (a"lk r~ine,

bcyaz, siyah, siyan, magenta ve san) kullamlml~lJr. 108 rcnk re"etcsi hazlrlanml~ vc basllml~lIr. Hcr omegin spcktral reflckmns degerleri ticari reflekmns spcktrofo- tometrcsi kullanamk 10 nm arahklarla 400-700 nm bOlgc- sinde ol"iilmu~tur ve dolaYlSlyla 31 ~Ikll noronu elde

edilmi~tir. 75 ornek renktcn olu~n ogrcnme kumesi ve agm perfonnansl belirlemek i"in 33 test kumesi omegi

kullamlml~lIr. Tahminleme pcrformansl; ger"ek ve tahmin1cnen spcklralar arasmda RMS (root-mean squares) hatasl vc CIELab t.E renk farkhhgl hcsaplamalafl kullanarak bclirlenmi~tir. Yapay sinir agl momcntum ile (JPN algoritmasl kullanarak ogretilmi~tir. (Ju algorilma (Matlab'da trningdm ogrcnme (training) fonksiyonu ilc) 2 parnmctrcyi gcrcklirir: ogrcnmc hlzl ve momentum terimi.

Momentum terimi 0,9 olarak ve ogrcnme hlZI 0,2 olarak sabit ahnml~lIr. Yapay sinir aglan her biri i"in 500.000 top lam dcvir ile 5, 10, 15 ve 20 norondan olu~an gizlencn tabakalar kullamhm~lIr. Gizlcnen mbakadaki noronlar i~in

Tan-Sigmoid transfer fonksiyonu ve "Ikll tabakasl i~in

Log-Sigmoid fonksiyonu sc"ilmi~tir.

Ogrcnme kiimesi i"in hata bcklendigi gibi gizlencn tabakadaki noron laTiIl saYlslmn artl~1 i1c azalml~lIr. Yapay sinir agmm genclle~lirme yetcneginin; ogrcnmc boyunca kullallllmayan ayn bir veri kumesi (test kumesi) taraflJldan test edilmesi nedeniy1c gizlenen noronlarm saYlsl 10'u

a~lIgmda test kiimcsindcki hatanm anmaya ba~ladlgl goriilmu~tiir(SekiI9, 10).

R&I"II; R"CO'te" Tn"","""""","""",

Yapay s.rw AQlannln Kulan,ml _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIlr

- -

·: : j E

^!

^{• •}

•

• • •

- - - -

$ckil 9. (")gr~nme kiim ... ; i~in RMS hataS! [61]

; ^:~

_•

^I -- _{: :} ^•

"

• •

- -- -

$ekiIIO. To" kiimcs; i~in RMS halaS! (61)

t.E rcnk farkhhgl dcgcrinc gore yapay sini, aglarmm performansl ka~lla~tlflldlgmda, K-M moddi ivin 2.9;

ANN i~in 8,23 Il.E lenk farkhhgl degcri c!dc cdilmi~lir.

Fakal K-M modelinin bazi lcmcl ozcllik1cri siirduri.i1crck ANN csash bi. hibrid model kullanlldlgmda, bu hibrid modclin ANN vc KM yakla~lmlarmm her ikisindcn iistiin pcrformans gostcrdigi bulullmu~tur [61

J.

Bunun i1crisindc yapllan ~ah~malarda isc yapay sinirscl aglar. bulamk sistcmlcr vc genetik algoritma gibi "c~itli

"soft computing" leknikleri kombinc cdilmi~tir. Bu kombinc model i1c 0,27 gibi kabul edilcbilir renk farkhhk dcgcrlcri clde cdilebilmi~lir. Bu kombine sistcm1crin avlklanmasl ba~ka bir maka1cnin konusu olabilir, Bu modelin renk farkllhgl degcrlcrini geli~lirmesinin

arkasmda yalan manllk isc; renk rcflcktans dcgcrlcri yanlllda L, C, H gibi rengin alglsal ozcllik1crinin (avlkhk, rcnk tonu vc kron13) dc konsantrasyon hesabllla kaillma- sldlr, Bu amavla Mizutalli vc ark. (1995, 2000) bu alallda

vah~ma yapllll~br ve CANFlS (Coactive ncuro-fuzzy systcm) sislcmi \'c GNF (Gcnctic-Ncuro-Fuzzy) sistcmlc- rini kullannll~lar vc slrnslyla 2,0 vc 0,27 renk farkhhk dcgcr1cri cldcctmi~1crdir [55, 62].

4.S0NVC

Rc~cte tahminlemcsinde Beer yasasilla dayanan bilgisayarll rcvete hcsaplama sistem1cri yclersiz kalmakta- dlr ve tahminlencn ve ger~ck r~cte dcger1cri arasllldaki hata yiizdcsi vok yiikseklir. Bu neden1c bilgisayarh rc~cte

hcsabl ivin yeni mOOeller geli~tirilmeyc vah~lln13ktadlr.

insan gozii 1,0 'dan daha kii~iik rcnk farkhhklaTllII aym edemez. DolaYlSlyla cndiistride!l.E renk farkhllgl dcgerlc-

rinin I 'den kiiviik olmasl islenir. Bu yiiksek spcsifik dcger- in kar~llanmasl deneyimli renk uzmallian ivin bile zordur.

Yeni geli~tirilen yapay sinir aglarllla dayanan model ile hcsapbnan revelelerden eldc cdilen renk farkhhk dcgerlc- ri, gcleneksc1 rc~etc olviim sistemlerinc gore daha iyi renk farkllhk degcrleri vcrmesinc kar~an, bu yiiksck spcsifikas- yonlan tam olarak ka~llayamaml~tlr. Yapay sinir agl modelindc; Beer yasasma dayanan modele gore konsan- lrasyon ve absorbans arasllldaki dogrusalhgl bozan helero- jen etkile~imlcr de hesaba katJlabilmi~tir vc bu da, mOOclin

sonu~1arlllln gcli~mesini saglaml~lIr. DolaYlSlyla yapay sinir aglannlll ve daha ilcrisi ivin genctik algoritma, bula- mk n13nllk ve bunlann kombinasyonunun renk rc~cte

lahminlcnmcsinde uygulanabilirligi hakkmda daha delayh

~ah~malar yapllmasl onerilebilir.

KAYNAKLAR

I. Jasper, WI .. Kovacs, E. T, Berkstresser, A.(1993) Using NEural Networks 10 Predict Dyc ConeEntratiOl's in ...,,,lriple-D)'E Mi~lIIre."

Textile Research JournaL 63(9). pp. 545_551

2. Westland, S. (199~). Artificial NE"ral Ncn.wks and Colo"r Recipe Prediction. Proceedings ofthe International Conference and ExhibiTion Colour Science-98

3. Chung, R, Cho, C.-S., Park, M.-J. (2004) Color insp«lion of printed IExlllre "sing scanner: Coml>ensation of !,"-'ilional del'iation ,'io NN model, 8th International Conference on Control, AUlomation. Roboticsand Vision, VoU, pp. I ^~26-183]

4. Bale,. 0 .. Ogulata, R.T (2009) Boyonm'j K"ma$lonfo Kimya,al Apre Uyguillmolart SOI",cunda OI,,~abileeEk Renk Degilimi/.ill ,'e ClEwb Deger/erinin )(.pay Sinir Aglart KIII/anilorak Tahmin Edilmesi, TekSlil \'e Konfeksiyon, VoL I. pp. 6 I -69

5. Golob, D, Ostennan. D.P.,Zupan, J.(July/SepTember 2008) lk,uminatiOl' of PigmEnt Combinatiom for Texlile Prill/illg Using Artificiall .. 'c"ral Nen.YJrks. Fihcrs and TexTiles in EaSTern Europe, VoL 16, No. 3 (6~), pp. 93·98

6. Funeri, R, Carfagni, M. (20 I 0) Prediction OflhE color and oflhe color .<olidif}' of a jigger.Jye,f cel/,,/o.<e·oosed fahdc." A ca.<ClIde ne"",1 nelWorkal'Proach, Textile Research Journal, VoL 80, No. 16, pp.1682-16%

7. Li, 11.-T, Shi, A. _S., Zhang, R.s (2007)A dJ'eingcolor ma,ching mElhod combining RBF IIcural IIen.YJrks .... ilh genelic algorilhm", Proceeding.'. SNPD 2007: Eighlh ACIS InTernational Conference on Soflware Engineering, Anificial InTelligence, Networking, and Parallci/DistributodCompUTing, Vo!' 2, pp. 701·706

8. Vadood, M, Semnani, D .. MorshNl. M (20]1) Ol'limi~alion of aC/')'lic d/')' spiMing prodUClioll line by wing artificial nEural neMork and genelic algorilhm, Journal of Applied Polymer Science, VoL 120, No.2. pp. 735·744

9. Nasiri, M .. Shanhch. M., Ta\'anai, II (2005) ComparisOl' of S'ali.'lical regressioll.juzz), regre.,.,ion and artificial IIellral neMork mot/elillg melhodologiES in po/ye.'ler dyeing, Proceedings - InTernational Conference on Computational Intelligence for Modelling, Control and AUTomation, VoL!, pp. 505·5 10

10. Xu, 8., Lin, S. (2002)A'lIoma'ic color idEntij'iclJlion in printed fahric., bya neu",lji,;:;:;ysys,cm, AATCC Review, VoL 2. No.9. pp,

42-45

I I. Thevenet, L. Dupont. D .. JOUy-Desodl. A.M. (2003) Mo<feling color challgE after spi/tning process IIsing feedfoni'ani nE"ral neMorks, Color Research and Application, Vol. 28,No. I, pp. 50-5M

+

RMk Re<;e1e .. T.Ml"Ie~

V_y Son" ~.,,~,n Kuian,ml Numan

On. ,

12. Tru .. cl1. IU. (199~) AppJirlllffmJ oj djg"(J/1iglllJil'roUMIIII:.

fo=-J·/ogic. (lnd Mural MU IOt'OfJlpuw/WtlUI colOI', Texule ~mist

and Colon ... \'01.30, No. 2. pp. 28-32

13. LIII, JJ .. Sun. r.T., Chen. U.-R. Wang. L.J .• Kuo. II.C-. KIlO, w.G. (2010) Apply;,,/: !:n ... ",ookl /0 pmJklmg

,"nJ

^of ,,,-nil ..

jlJ5/uon colon. Journal of the Tuulc 1nsIIMe Vol. 101. No_ 4,

w-

3«).3<>8

14. W~lland. S .• IJ,shop. J.M_. Bushell. M.J .• UJIw:n. A.L (1991.

JulyIAugll'it). All IItfrlligrnl approudllo ro/our

"""'I"

pmJirljon.

JSOC. Vol. 107

15. Wu. P .• fang. S.-C .• NUltk. II-loW .• K,ng. R.E. ... 'il..,.., JR (199-') Decuion 1wf"aa' IItO<klmg oj/u/,Ir Sf'i,mmgOf'"'l'iOlU ... lng IH'IIrtJl MO>m fffltMlOf{}'. I'roc«thngs of ~ 1m IEEE Annual Textile. fib....-ond FIlm Industry Techmcal ConfertnCc. p. 0-24

16. Yin. Y. Zhang, K.. Lu. W. (2009) T/'-x/lle ]1(1'" c/msificution b,.

, ... ,,'11"1 rn:tJIts/nKrion

til'"

^{8P _ral} ".,,,,,,,,*. 61b [ntemallonal SymposIUm"" Scuml Networks. Vol. 5552 LNCS. No: Pan 2, 1'1' 694-701

17. Yean. Y .. Wen. /J,L.. Ke. Z .. Liang, J. (2009) Te.wlp flaw detection and cia.fSificatlon by "'(I"f'let t'('('o/J,'lr"cliOl' und BP neural network.Proceoxlings oflhe 2009 WRI Global COIIII""SS 011 Imciligenl Syslems. Vol.4. PP 167-171

IS. Liu. L.. Van. L .. X ie. Y .• Xia. G, (2010) Cnll/f"l IIIe"£""IIIell/ of le.Hile III/xlll'" by nellr Infrlll1',1 JP(Wrr).'eop>, ""sed on BP n~"r,,1 network. Proceedings - 2010 3rd Imcrnallonal Congress QII Image and Signal Processing. Vol. 7. PI'. 3354-B5H

19. Kumar. A .. (2003) N"ural n/'l"'Qr~ btui',1 dnUlion oj 1000al le_Tlile def~/S. Pallcm Recognil,on. Vol. 36, No: 7.1'1'. 1645·1659 20. Suo T.-L. Kung. f.-C .• KIlO. Y.-L. (200ll) Application of back·

prop<Jgation Neurol Netli."k Fu::\' Cioululllg in lurile lexture aUlamalic recognilion s)'J/cm, Proceed,ngs of the 2008 Imernanonal CooferellCe on Wa"clel Analysis and Pallem RCCQgII,t,oo. \'01.1.1'1'.46-49

21 . Islam. M. A .• Akhtel. S .• Mursahn. T.E .• Ashraful. A.M. (2006)A sUlIabie IWUral "..",,,,* 10 .wlcrl Te.tllle' dtfeclJ. Lecture N",cs In CompOller Sc,ence (1lICludlllg subKnes LcctlUl: Notes In Anllkial ImclltgellCc and lecture NOles 1III1totnformalles). VQI. 4233 LNCS -11.1'1'.436-438

22.\\1u. P .• Yang. W.-Il.. WeI. N.-C .• (2QIJ.I) An eleclromagnelmn algorillom of n('Ural "..",'Orl: analysis -An ol'lnkolion 10 Ie.wle retail operalion. Journal of tile allllCSC Instr1Ule Qf InduSlnal Englncn5. \"'1.21. NQ.I.pp. 59-67

23. Bllal13ChaI}cc. D .. KOIhan. V.K. (2007)A neural ne,,.'Orl: fySlem for prediction oj Iltermol "sislonee' oj Ip-x"'e fabric1. Texllle

Research J<lUmal.

""'I.

77. No. I. pp.4-12

24. Yuen. C.W.M .. Wong. W.K .. Olan. S.O .• fan. 0.0 .. Chan, LX , Fung. E.H X (2009) Fobrit' III/t'lting Ins,lt'Cl/on usinll segmentl!d ,.'indo ... lechnique ami BI' ,,,,ural nrr",arl:. Textile Re""arch Journal. Vol. 79. NQ. I.pp. 24-35

25. LUIJ.

x..

^{Hou. W .. Li. Y .. Wang. Z} .. (2007) A fu::), IIe,m,1 neMort model for p,...dleling clothing Iltrr~101 comforl, Computers and Mathematics with Apphcatlons. Vol. 53. No. 12. pp. I M40·1 ~46

26. Hadi1-"deh. M .. JoxIdi. A.A.A .. Teh".n. M.A. (2009) The predicliOl' ofinililllltxul·e.VI'·ns/OI! lJ<'h(n'/or of "'(I.",n fabric .• ",sing artificial nelln,1 neMor~. Textile Research Journal. Vol, 79. NQ. 17.

1'1'.1599-1609

27. Yu. R,-F .• Chen. H,-W .. Cheng. W,_I' .. Hsieh. P.-ll. (2009) Dosage control af Ihe fpnton prIX"rs, for color "nraml af leXlile ,.·,Wnmler applying ORI' monlloring I,nd artificial lII'ural nen.vr.u. J<lUrnal QfEnvlronmental Enginttnng. VQI. 135, No.5.

1'1'.325-332

28. L""hen. T .• Zhang. e.. Lt. L.. Cllen. X. (2008) SJmultJImg lire drawing of spunbondlllg non""""'n proct» ",ing an artificial

neural ne"'"Orl:: I~ltnique. l<lUmal of ll1e T eXhlc Insutate. Vol. 99.

No.5. 1'1'. 479--488

29. C1w:n. T .. Zhang, e.. Chen. X .• LI.l. (2009) An Inp .. 1 .'Oriobie .... Iection IMlltod for 1M artificial n'-IIFOI ncn.'Orl:

of

dror JIif{III'SJ of tmrslcd Jabria. Statlsuc,,1 Analys.s and DatD Mmmg. Vol. I. No.

5.1'1'_287.295

30. &. Z. (2010) Thpprcdicrionoj,,'OFp ,,"o~rolp oj"'ro"'1!J:

by considering s,:cd yo,.,. quaitn' u.fing orlificlal"""rallll'''''Orl:

11te"Ory. 2010 ImernalKlnal C<Nlferc:lICe on Comfl\lter IXslgn and ApplicatKlIIs •. \'<11.2.1'1'. V2S26- V2529

Jl. Naleri. A. S .. Oroumcl. A .• Dad''3r. S .. fallah·ShoJate. A .•

Khay;oti. Gh .. Emamghohpur. O. (2010) UJlllgfu::,' ulH'rl Iytle'm la s,mulating 1M anlibaclerial oem'if)' oj naMlII, ... r (()(JIM COllon fabria. J<lUmal of Computall<>nal and Theorc:1,eal Nanoscicnce.

VQI. 7. No.8. 1'1'. 1554-1 558

32. Au, K.E. Wong. W.K .• Zeng. X.ll. (2006) l)('('i,;O#/ modelfor countl)' sile seleclion of ot'Prseas clolhing Inorm. International JQUmal of Advaneoxl Manufacturing Technology. Vol. 29, NQ. 3--4, 1'1'. 4()8--4 I 7

33. Chen, X .. Huang, X.B. (21JO.1) £'"lJlul!liNgjl,brle ,,1111"11 "'lIlt light.projecled image analy .• is. Textile Research Journal. Vol 74, NQ.ll.pp.977.9SI

34. Karras, D.A .• Karkallls, S,A. (199M) S"IJPT>'/ud o"d ,ms"IJPn'iscd neun,1 IIelwork melnlHls lI"pUI'(I It! I,'xlilr qUill/I)' colllrol based on Iml'ro, ... d "'a,',del fi'allll1' e.~lrIu·Ii()l, lechn/qlle .•.

International Journal of Computer Mnlhematlcs. Vol. 67. No. 1·2.

pp. 169-1~1

35. Lui, S.-G,. Qu, P,-G. (200H) Insl'ff"lion of jI,ht'ic d<'fecls ooud an "'a"elet anal)'s;" and BI' neuTal nf'1,."Orl::. l'rot:«dings of the

200~ Inlcrnational C""ferencc QIl Wavelcl Analysis and Pallem Rect>gnitioo, Vol.1.pp.232-236

36. Slojan<>vic, R. Mltropuios.. P .• KQUlamas. C .• KaraYlannlS. Y ..

KQUbias. S .. Papad<>p<>ukls. G. (2001) Rrol-nme ,'!.JIO#/·based s)'Jlemfor le.w/efabriciMp«lion. Real-Time hmgmg, VQI. 1. No.

6.1'1'.507.518

37. Tolba. A.S .. Khan. II.A.. Muta"". A.M .• Alsal«m. S.M. (20 10) Decision fwion for ",sIIol ,nsp«fion of lalilc.J. TeXlilc R~arch

Journal. VQI. 80. No. 19.1'1'.2094-2106

38. Zeng. Y.e.. Wang. K.f .• Yu. C. W. (20 10) I'rcdlellng llop Ie'Mile properties ofmr-frl spun)'Onu. TallIe Rese3fCh Journal. Vol. 14.

No. 8.1'1'_ 689--694

39. ~. M.e., RaJamamckam. R .• Jay.lraman. S. (l99S) Pn>dklion of )'0"" tensile fH"O/JPr/lef bJ· u.fing Qrtifid(l/ _ral ne"'",,*,". Journal of the Tcxllle Instnute. \'01. 86. No.3. 1'1'. 459--469 40. ChauopadhY3Y. R .• Gulla. A .. JayaOe"a (2004) I'ftfin'nranuoj neuTal ne"'",,*," for "redicting )'0"" Ilf'O(><'rllt.J .. .oing pT'lnrlp<J1 component analpis. J<lUmal of Applioxl Polymer Science. Vol. 91.

NQ. 3. pp. 1746-175 I

4 L Shi, X .• J ... Yu. W,-O, (2008) f'u::)' classifiealla" af IJI'/mal jibt>rs wing nellro-ju==), cia.uifier. Proc«dlngs _ The 1st Imemational Conference on Imelligent Nelworks and IntclliGcnt Systems. 1'1'. 119-122

42 Shi, X,-J., Yu, \\I.-D. (200~) ltienr,jieilliolifor IlIIlmalftbt·r .• ",llh IInificial IIeurlll IIelwort, Pmceoxllllgs of Ihe 200~ InternaliQnnl Conference on Wavelet Analysis and Pattern Recognition. Vol. I, pp.227.231

43. She, Ell" Coow. S .. Wang, B .. Kong.l.X. (2001) MI'nlificlJlian and clllssification of animal fibres wing 'irlific/al IIPI"allll't ... oriu.

Seni Kikai Gakkai ShilJlJUrnal oflhe Te~tile Maehtnery Society of Japan. \'Ql. 54. No.9. pp.foO..63

44. Chen. T.. Li, L.Kochl. l..Vmman. I' .. Zeng, X. (2007) A $OjI

caml'uling approach la model lite slrucmn!-JlfopcrIJ' "/olll)itJ af non"",,'en fabrics. l<lUrnal of Apphoxl POI)'mcT SctellCe. \'01. 103.

No.I.I'P.442--450

" ' - _ , , _ _ _ no. ~ .. : - : " _~_

+