KaydedilenlerDerginizi ekleyin

Dergiler / EMO Bilimsel Dergi / 2026 / Cilt: 16 Sayı: 1

Yarı-Otomatik Etiketleme Ve Segformer Tabanlı Bölütleme İle QAP Diyagramına Dayalı Kayaç Türü Sınıflandırması

İlhan Aydın(FIRAT ÜNİVERSİTESİ)0000-0001-6880-4935
Hüseyin Derviş(FIRAT ÜNİVERSİTESİ)
Taha Kubilay Şener(FIRAT ÜNİVERSİTESİ)0000-0002-9846-967X
Ayşe Didem Kılıç(FIRAT ÜNİVERSİTESİ)0000-0003-2919-6521
Sayfa
115–125
Yayın Tarihi
2026-01-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Geleneksel ince kesit tanımlama yöntemi uzman deneyimi, kişisel dikkat, ağır iş yükü, uzun tanımlama döngüsü ve doğru nicelleştirme yapılamaması gibi dezavantajlar göstermektedir Bu çalışma, foid içeren magmatik kayaçların mikroskobik ince kesit görüntülerinden mineral bileşimlerinin otomatik belirlenmesini ve QAP diyagramı üzerinden sınıflandırılmasını amaçlamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Jeoloji’de kayaç ince kesitlerin tanımlanması, petrojenez, alterasyon, doku, cevherleşme, kayaçlar ve yerkabuğu işlevleri hakkında bilgi almak için kritik öneme sahiptir.
📊
Temel Bulgular & Veri:Karşılaştırmalı deneylerde Segformer modeli, klasik derin öğrenme mimarilerine göre daha yüksek doğruluk (%94.56) ve ortalama IoU (%73.78) başarımı göstermiştir.
💡
Sonuç & Katkı:Geleneksel ince kesit tanımlama yöntemi uzman deneyimi, kişisel dikkat, ağır iş yükü, uzun tanımlama döngüsü ve doğru nicelleştirme yapılamaması gibi dezavantajlar göstermektedir Bu çalışma, foid içeren magmatik kayaçların mikroskobik ince kesit görüntülerinden mineral bileşimlerinin otomatik belirlenmesini ve QAP diyagramı üzerinden sınıflandırılmasını amaçlamaktadır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kayaç sınıflandırması · semantik bölütleme · QAP diyagramı

Özet

Jeoloji’de kayaç ince kesitlerin tanımlanması, petrojenez, alterasyon, doku, cevherleşme, kayaçlar ve yerkabuğu işlevleri hakkında bilgi almak için kritik öneme sahiptir. Geleneksel ince kesit tanımlama yöntemi uzman deneyimi, kişisel dikkat, ağır iş yükü, uzun tanımlama döngüsü ve doğru nicelleştirme yapılamaması gibi dezavantajlar göstermektedir Bu çalışma, foid içeren magmatik kayaçların mikroskobik ince kesit görüntülerinden mineral bileşimlerinin otomatik belirlenmesini ve QAP diyagramı üzerinden sınıflandırılmasını amaçlamaktadır. Süperpiksel tabanlı etiketleme aracı kullanılarak veri etiketleme süreci kolaylaştırılmış, ardından Segformer mimarisi ile kuvars, alkali feldispat ve plajiyoklaz mineralleri yüksek doğrulukla bölütlenmiştir. Segmentasyon sonuçları kullanılarak QAP diyagramı üzerinden kayaç türleri otomatik olarak tanımlanmıştır. Karşılaştırmalı deneylerde Segformer modeli, klasik derin öğrenme mimarilerine göre daha yüksek doğruluk (%94.56) ve ortalama IoU (%73.78) başarımı göstermiştir. Bu yaklaşım, jeolojik sınıflandırmalarda otomasyonu artırarak uzman müdahalesine olan ihtiyacı azaltmakta ve daha tutarlı sonuçlar elde edilmesini sağlamaktadır.

🔖

Bu Makaleye Atıf Yap

Aydın, İ., Derviş, H., Şener, T. K., Kılıç, A. D. (2026). Yarı-Otomatik Etiketleme Ve Segformer Tabanlı Bölütleme İle QAP Diyagramına Dayalı Kayaç Türü Sınıflandırması. EMO Bilimsel Dergi, Cilt: 16 Sayı: 1, 115–125. https://ajindex.com/articles/1390264

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (34)

  1. A. Streckeisen, "Classification and nomenclature of plutonic rocks: recommendations of the IUGS subcommission on the systematics of igneous rocks.", Geologische Rundschau, 63, 773–786, 1974.
  2. Ö. Polat, A. Polat, T. Ekici, "Automatic classification of volcanic rocks from thin section images using transfer learning networks.", Neural Computing and Applications, 33(18), 11531-11540, 2021.
  3. N.A. Baykan, N. Yılmaz, "Mineral identification using color spaces and artificial neural networks.", Computers & Geosciences, 36, 91–97, 2010.
  4. E. Menteşe, E. Hançer, "Histopatoloji Görüntülerde Derin Öğrenme Yöntemleri ile Çekirdek Segmentasyonu.", Avrupa Bilim ve Teknoloji Dergisi, (Özel Sayı), 95-102, 2020.
  5. S. Aligholi, G.R. Lashkaripour, R. Khajavi, M. Razmara, "Automatic mineral identifcation using color tracking.", Pattern Recogn, 65, 164–174, 2017.
  6. A. Balasubramanian, "Branches of Geology(Earth Sciences)", Department of Studies in Earth Science Centre for Advanced Studies University of Mysore, 570-006,, 2017.
  7. W. Lai, Ji. Jiang, J. Qiu, J. Yu, X. Hu, "Photomicrograph dataset of rocks for petrology teaching in Nanjing University[DS/OL]", Science Data Bank, V1, 2020.
  8. D. Li, J. Zhao, J. Ma, "Experimental studies on rock thin-section image classification by deep learning-based approaches.", Mathematics, 10(13), 2317, 2022.
  9. B. Cheng, I. Misra, A. G. Schwing, A. Kirillov, R. Girdhar, "Masked-attention mask transformer for universal image segmentation.", Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 1290-1299, 2022.
  10. L.C. Chen, G. Papandreou, F. Schroff, H. Adam, "Rethinking atrous convolution for semantic image segmentation.", arXiv,, arXiv:1706.05587, 2017.
  11. C. Sun, A. Shrivastava, S. Singh, A. Gupta, "Revisiting unreasonable effectiveness of data in deep learning era.", In: ICCV, 2017.
  12. J. Yu, F. Wellmann, S. Virgo, M. von Domarus, M. Jiang, J. Schmatz, B. Leibe, "Superpixel segmentations for thin sections: Evaluation of methods to enable the generation of machine learning training data sets.", Computers & Geosciences, 170, 105232, 2023.
  13. R. Pires de Lima, D. Duarte, "Pretraining convolutional neural networks for mudstone petrographic thin-section image classification.", Geosciences, 11(8), 336, 2021.
  14. L. Chen, Y. Zhu, G. Papandreou, F. Schroff, H. Adam, "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation", CoRR,, abs/1802.02611, 2018.
  15. R. P. de Lima, D. Duarte, C. Nicholson, R. Slatt, K. J. Marfurt, "Petrographic microfacies classification with deep convolutional neural networks.", Computers & Geosciences, 142, 104481, 2020.
  16. P. Zhang, J. Zhou, W. Zhao, X. Li, L. Pu, "The edge segmentation of grains in thin-section petrographic images utilising extinction consistency perception network.", Complex & Intelligent Systems, 10(1), 1231-1245, 2024.
  17. W. Seo, Y. Kim, H. Sim, Y. Song, T. S. Yun, "Classification of igneous rocks from petrographic thin section images using convolutional neural network.", Earth Science Informatics, 15(2), 1297-1307, 2022.
  18. H. Liu, Y. L. Ren, X. Li, Y. X. Hu, J. P. Wu, B. Li, L. Luo, Z.Tao, X.Liu, J. Liang, Y.Y. Zhang, X.Y.An, W. K. Fang, "Rock thin-section analysis and identification based on artificial intelligent technique.", Petroleum Science, 19(4), 1605-1621, 2022.
  19. E. Xie, W. Wang, Z. Yu, A. Anandkumar, J. Alvarez, P. Luo, "SegFormer: Simple and efficient design for semantic segmentation with transformers.", Advances in Neural Information Processing Systems, 34, 12077-12090, 2021.
  20. R. Marmo, S. Amodio, R. Tagliaferri, V. S. Ferreri, G. Longo, "Textural identification of carbonate rocks by image processing and neural network: methodology proposal and examples", Computers & Geosciences, 31(5), 649-659, 2005.
  21. A. Patel, S. Chatterjee, "Computer vision-based limestone rock-type classification using probabilistic neural network.", Geoscience Frontiers, 7(1), 53-60, 2016.
  22. F. Fueten, J. Mason, "An artificial neural net assisted approach to editing edges in petrographic images collected with the rotating polarizer stage.", Computers & Geosciences, 33(9), 1176-1188, 2007.
  23. J.S. Goodchild, F. Fueten, "Edge detection in petrographic images using the rotating polarizer stage.", Computers & Geosciences, 24, 745-751, 1998.
  24. P. Gottlieb, G. Wilkie, D. Sutherland, E. Ho-Tun, S. Suthers, K. Perera, J. Rayner, "Using quantitative electron microscopy for process mineralogy applications.", JOM, 52(4), 24-25, 2000.
  25. C. Su, S. J. Xu, K. Y. Zhu, X. C. Zhang, "Rock classification in petrographic thin section images based on concatenated convolutional neural networks.", arXiv:2003.10437, 2020.
  26. Zhong J, Meng Y, Liu Z. "Multichannel Sandstone Thin Sections Identification Based on Improved DeepLab V3 Plus Neural Network". ACS Omega. 2024 Jun 17, 9(26), 28611-28625.
  27. S. Karimpouli, P. Tahmasebi, "Segmentation of digital rock images using deep convolutional autoencoder networks.", Computers & Geosciences, 126, 142-150, 2019.
  28. I. Kononenko, E. Simec, M. Robnik-Šikonja, "Overcoming the myopia of inductive learning algorithms with RELIEFF.", Applied Intelligence, 7, 39-55, 1997.
  29. N. Li, H. Hao, Q. Gu, D. Wang, X. Hu, "A transfer learning method for automatic identification of sandstone microscopic images.", Computers & Geosciences, 103, 111–121, 2017.
  30. H. Ma, G. Han, L. Peng, L. Zhu, J. Shu, "Rock thin sections identification based on improved squeeze-and-excitation networks model.", Computers & Geosciences, 152, 104780, 2021.
  31. H. Wang, W. Cao, Y. Zhou, P. Yu, W. Yang, "Multitarget Intelligent Recognition of Petrographic Thin Section Images Based on Faster RCNN". Minerals, 2023, 13, 872. https://doi.org/10.3390/min13070872
  32. A. Balasubramanian, "Branches of Geology(Earth Sciences)", Department of Studies in Earth Science Centre for Advanced Studies University of Mysore, 570-006,, 2017.
  33. L.C. Chen, G. Papandreou, F. Schroff, H. Adam, "Rethinking atrous convolution for semantic image segmentation.", arXiv,, arXiv:1706.05587, 2017.
  34. L. Chen, Y. Zhu, G. Papandreou, F. Schroff, H. Adam, "Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation", CoRR,, abs/1802.02611, 2018.