Full Text

+
+
RENK RE<;ETESi TAHMiNLENMESiNDE YAPAY SiNiR
AGLARININ KULLANIMI
Nurhan ONAR
Pamukkalc Onivcrsitcsi
Miih. Fak. Tekstil Miih. BoL
20020 KlIIlkhfDcnizli
bZET
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 Ke lillleler: 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.
Keywo rd s: 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,oron ln K..... n'm l _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ NurMn OnIl r
I. GIRl 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, XC, + 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 boyannaddelcrin 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
,.,~ '-., II
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 boyaboya ve boya-tuz ctkilc~imlcri , ~ozclti sicakligma vc pH
varyasyonlanna bagll olarak boyarmaddc absorbtivitclcrindeki farkllhklar olarak slralanabilir. Bu hctcrojcn
ctkile~imlcr boyarmaddc konsantrasyonu vc absorbansl
arasmdaki dogrusalhgl bozar. Bu ncdcnlc ~oklu boyarmaddc 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 sahipti r.
Bununla birli ktc 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 hazlrlanl rkcn, 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 artlrmaktadl r,
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 formulasyonlarmm 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 gosterilmi~tir (5). Furfcri vc Carfagni jiggcrdc boyanan scliiloz
csasll kuma~lann renginin vc rcnk stabili tcsini n tahminlenmcsi i~in yapay sinir aglarlill kullanml~lardlr. Jiggcrdc
boyanan bir kuma~1II rcngi vc renk stabili tcsi 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~ d uymakslzm
rcngi vc rcnk stabilitcsini tahmin ctmesinc yardmlci olmayl 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 olmayan 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 kullamclya hlzll bir ~ekildc tallnin edici bir fomliil saglayabilir
(7).
+
+
RaM R"C01e" Tn"",",'",,(,_"""
Yapay
s.n~
AQlaron ln Kullan,m l
____________
Vadood vc ark. yapay sinir aglart vc gcnctik algoriunaYI
kullanarak akrilik kuru ,"ckim ii rctim 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 1sinyal i~lcmc proscslcrin i uyglllalm~1Ir [llJ. Lin
vc ark. tckstil moda rcnk trcndini lahmi nlcmck i~in bir gri
yapaysiniragl modcli gcli~tinlli~lcrdir [13].
2. VAPAVS I NIR AG LA RI
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 ccsarctlcndi rmi~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 tcksti l 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 bi r ~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
NurMn OnIl r
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~t iiriilmii~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 tahlllinIcmck 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 tahlllinIcmck i~in yapay sinir aglaflm kullannll~lardlr [26]. Yu vc
ark. tckstil auk sularmdan rcnk uzakla~masl i~in
oksidasyon azalma potansiyclini (O RP) monitorlcmc \'c
yapay sillir aglaTllll kullanarak bir Fcnton dozaj kontrol
stratcjisini kunnu~lardlr [27]. Chcn vc ark. proscs paramctrelcrindcn spulldond dokusuz yiizcylcrin lif ~aplm
tahminlcmck i~in istatistikscl vc yapay si n ir agl modcllcrini kullalllm~lardlr. Baycsian ~crycvcsinin yapay sinir agl
daha kii¥uk tahminlcmc hatasl iirctmi~t ir [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 dokumadaki ~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. Ilanobitim gonllii~ pamuklu kuma~m antibaktcriyal aktivitcsini
yapay sinir agl akllh sistcmini vc bulamk-sinir tcknigini
kullanarak simiilc ctmi~lcrdi r [31]. Au vc ark. hata gcriyaYllma 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 AQlann ln Kulan,m l _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIl r
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 dcgcrlcndirmi~1crdir [33]. Btl ~ah~malara bcnzcr ~ckildc kuma~
hatalannln analizindc [34, 35, 36, 37], iplik1crin ozcllik!crillin 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 cntcgrasyonu 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 tallminlenmcsindc [52) yapay sinir aglannlll kullammma
Bu noronlar matriks yaplslllda cldc cdilcbilir. Omcgin [I ,5
1,5 0,5) <;'Ikll matriksi 3 boyarmaddc konsallirasyonunu
vcnncktedir.
--
"
o
~ekit
=
-
2. Tok labaka algl",1 yapay .inir agl [53 ]
<;,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 kullamlmadlglllda 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~ti rilmesi ilc
<;'Ikh tabakasl noronlan hcsaplamr.
•
a
= L
W jX j
(2)
;- 0
Burada w; aglrhklan, x; isc girdi tabakasilldaki noronlann
dcgcrlcrini gOslcrir. j; isc girdi tabakasllldaki noronlan
ifade cden bir al l 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 konsantrasyonlan aglrhklara bagh olarak hcsaplanabilir. Arada
gizlcncn tabaka var isc oncc gizlencn tabakanlll noronlannlll dcgcrlcri denklcm 4'c gorc ve sonraslllda ~Iktl
tabakasllldaki noronlarm dcgcrlcri dcnk1cm 5'c gore
hcsaplanl r.
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 Wo;gizlcnen tabaka vc ~Ikt~
tabakasl aglrhklan. 0" vc 00 ; gizlencn tabaka vc ~Ikt~
tabakasl biasdcgcr1cri.
.....
Gillenen
$ekiI 3. ~.,klu labaka algl",1 yapay sinir agl [2)
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 (CIE Lab dcgcrlcri, XYZdcgcrlcri), L·, a· vc
b'" dcgcrlcri vc spcktral radyans faktorii (SRF) vc spcktral
rcllcktans dcgcrIcri [54.14, 55) VC ylktl tabakasl noronlarnll isc boyarmaddc konsantrasyonlan olu~turabilir.
+
+
R&I"II; R"CO'te" Tn"","""""","""",
Yapay s.rw AQlann ln Kulan,m l _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIl r
Aynca bumda dikkat cdilmcsi gcrckcn biT husus da ~udllr
ki ; renk tahminlcmcsi vc rc!;ctc tahminlcmcsi farll! kavramlardlr. 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 boyarmaddclcrinin konsantrasyonlarmm tahmini gcr"c klc~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 rcnklcndirici 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 girdi1cri (rcn k 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 s lmsmda re~ctc (~l kll) vc renk renektans dcgerlcri (girdi) bilinir.
Boylccc agl olu~turan yapay noronlar arasmdaki baglanlllarm aglrllgl ayarlanarak basit bir ~ckildc ag bu bilgiyi
dcpolar. Ogrcnmenin dcpolama i~lcmi boya UZlllanmm bilgi vc dcneyimlerini biriktirrnc i~inc benzcrdir (2). Daha
sonra tcst omcklcri kullamlamk agm vc bel ir1cncn aglrhklarm 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 ozelli ktir.
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 saYlSlna 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. Momcntum tcrimi 0-1 araslllda bi r dcgcrdir [56).
Cibacron blue TR-E) 0, 0 .05, 0.1 vc 0.15 gil konsantrasyonlarda 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 dcn k1cm 6'dc gosterildi.
A=alc
(6)
Burada, A; boyamladdcnin maksimum absorbsiyon
yaptlgl dalgaboyunda absorbans dcgcri, a; boyarrnaddcye
ozel absorbtivitc katsaYlsI,I; l~l glll gCytigi yol uzunlugu vc
c; boyanlladdc konsantrasyonunu ifadc ctlllcktcdir.
Rcyctc tahminlcmcsindcki rclatif yuzdc hatalar tck
boyarrnaddc ilc boyamalar iyin dcnklcm Tyc gorc hcsaplanml~llr. C:oklu boyarmaddc kan~lmlafl ilc boyamalar
i~in rCyCIC tahmin1cmcsindcki rclatif yiizdc hatalar isc
denk1cm 8'c gore hesaplanml~tlr.
% Hata =
,-,
~
""'nunJ""' IxIOO
'-
(7)
Burada; c; konsantrasyonun, R; kmmzl boyarnladdc
konsallirnsYOllwllln, B; mavi boyannaddc konsallirasyonUlllUl; Y; san boyarmaddc konsalllrasyonwuUl all indisc bagh
olarnk gcryck vc tahminlcncn dcgcrlcrini ifadc cuncktcdir.
Becryasasl modeli (Modcll) iyin dcnklcm 9'dcki matcmatikscl ifadc; modifiyc Iinecr model (Modcl ll) i~in dcnklcm
I O'dcki matcmatiksel ifadc kul1alllhlll~llr.
[~'l [CC"
CC'T'l
CC2l CC" CClj
Am =
A llll
A IOI
KULLAN I1\11 UZE Ri NECA LlSMALA R
Am
c1
(9)
CCl , CCll CCll c J
-\10
J, R EN K O u:;Ol\ I UN DE SINIR AG LA RI NIN
CCll
=
~"' ~" P'1 ~ "
~ ., P1' P21
~ " C,
~ .,
~" ~ " ~ " c,
~ . ~" P., ~ " c,
(10)
Bishop (1991), nOnJmlizc cdilmi~ tristimulus dcgcrlcrinc
A,"
dayanan bir yakl~um simiilc ctmek iyill geri yaYllma agml
(backpropagation net, BPN) kullalllm~ur. Bu yakla~mlln
Bumda A; boyanlladdclerin maksimum absorbsiyon
avantajl tristimulus dcgcrlcri ilc girdi degi~kcllillin saYIsllun 3 yaptlklan dalga boylan olan 420 nm'dc san, 595 IIm'dc
ilc sllllrianmasldlr. Bu durumda bu agtopolojisi ~ok basittir: 3 mavi. 520 nm'dc ktnlllZI boyarmaddc iyin absorbans
girdi, 8 vc 16 gizlcncn vc rcnk saYISI kadar ylktl noroll
dcgcrlcrini, C.J = a'jl; tck ba~lIla boyarmaddclcrin
birimlcrindcn olu~ur. Fakat sonuylann prntik ilc uyumu yok
spcktrasllldan eldc edilcn kalibrasyon katsaylSl, P,; ise
dii~iiktiir [57].
Modclll i~in kalibrasyon katsaytlannl; c" c,' c,; slraslyla
Jasper vc ark. (1993); 3 ticari boyarmaddc kullanamk klmllzl, mavi vc san boyarmaddclcrin konsantrasyonunu
(Cibacron ycllow G-E, Cibacron brilliant red 4G- E, vc ifadc ctmektcdir.
+
+
R&I"II; R"CO'te" Tn"","""""","""",
Yapay s.rw AQlann ln Kulan,m l _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIl r
Model Jl'de p.,;kcsi~im tcrimidir vc bu \crim i1c ii"lii boyarmaddc kan~lmlarllldaki boyannaddc ctki1e~imlcri hcsaba
kalilabilmi~tir. Aynell btl modcldc 4 dalgaboyu i"in absorbails degerleri kullaml ml~llr.
·•
·•,
~c kil 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
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,
~kit
.
..••
..••
••
- --
---------
··'-c:=--==-c=:-::cc::c:::-::
.
Seld t S. Llgrenmc kiimcsindcki dongii say,","a gorc ogrenmc
kiimcsi vc lesl kiimesindcki onatama hatalar [8]
,
•
---
J
.•
"
-..- '
,.
6. 1K9 i\mek saYIS! ~in gcn;ck vc tahmin cditcn SRF egrilcri [53 ]
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
tmini g) 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],
..
_..
•
"
':: ) 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 kullamlml~ur. Birinci vcri kiimcsindc san boyannaddenin konsantrasyonu 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 AQlann ln Kulan,m l _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIl r
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 konsantrasyonunda dcg:i~imlcrlc giiriiniir bOlgcdcki gcr~ck vc
tahmin cdilcn absorbans dcgcrlcri araslIIda uyum gozlcncrck ANF IS'lIl ba~ansl k3mtlanml~tlr.
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].
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
•
0.~ _ _ _101
,.
$c kil 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 spcktrofotometrcsi kullanamk 10 nm arahklarla 400-700 nm bOlgcsinde 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 C IELab 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 AQlann ln Kulan,m l _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ N",r..n OnIl r
·::jE
-!
•
•
•
•
- - -•
•
$ckil 9. (")gr~nme kiim...; i~in RMS hataS! [61]
;:~ I
•
--
:
:
- -- -
$ekiII O. To" kiimcs;
"
i~in
•
•
KAY NAKLAR
•
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 kaillmasldlr, 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) sistcmlcrini kullannll~lar vc slrnslyla 2,0 vc 0,27 renk farkhhk
dcgcr1cri cldcctmi~1crdir [55, 62].
4.S0NVC
Rc~cte
rinin I 'den kiiviik olmasl islenir. Bu yiiksek spcsifik dcgerin kar~llanmasl deneyimli renk uzmallian ivin bile zordur.
Yeni geli~tirilen yapay sinir aglarllla dayanan model ile
hcsapbnan revelelerden eldc cdilen renk farkhhk dcgerlcri, gcleneksc1 rc~etc olviim sistemlerinc gore daha iyi renk
farkllhk degcrleri vcrmesinc kar~an, bu yiiksck spcsifikasyonlan tam olarak ka~llayamaml~tlr. Yapay sinir agl
modelindc; Beer yasasma dayanan modele gore konsanlrasyon ve absorbans arasllldaki dogrusalhgl bozan helerojen 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 algori tma, bulamk n13nllk ve bunlann kombinasyonunun renk rc~cte
lahminlcnmcsinde uygulanabi lirligi hakkmda daha delayh
~ah~malar yapllmasl onerilebilir.
tahminlemcsinde Beer yasasilla dayanan
bilgisayarll rcvete hcsaplama sistem1cri yclersiz kalmaktadlr 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-
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' ofPigmEnt Combinatiom f or 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 I0) 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., by a 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 R e<;e1e ..
T. Ml" Ie ~
V_y Son" ~.,,~ , n Kuian,m l
Numan
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 IMlltodfor 1M artificial n'-IIFOI ncn.'Orl: ofdror JIif{III'SJ
oftmrslcdJabria. Statlsuc,,1 Analys.s and DatD Mmmg. Vol. I. No.
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
of ,,,-nil..
jlJ5/uon colon. Journal of the Tuulc 1nsIIMe Vol. 101. No_4,
,"nJ
w-
5.1'1'_287.295
3«).3<>8
14. W~lland. S.• IJ,shop. J.M _. Bushell. M.J .• UJIw:n. A.L (1991.
pmJirljon.
JulyIAugll'it). All IItfrlligrnl approudllo ro/our
"""'I"
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
8P _ral ".,,,,,,,,*. 61b [ntemallonal
SymposIUm"" Scuml Networks. Vol. 5552 LNCS. No: Pan 2, 1'1'
til'"
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 WR I Global COIIII""SS 011
Imciligenl Syslems. Vol.4. PP 167-171
IS. Liu. L.. Van. L.. X ie. Y.• Xia. G, (20 10) 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.-I l.. 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. Texll le
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, L X ,
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
Hou. W.. Li. Y.. Wang. Z .. (2007) A fu::), IIe,m,1
25. LUIJ.
neMort model for p,...dleling clothing Iltrr~101 comforl, Comp uters
and Mathematics with Apphcat lons. 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.-l l. (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 Qf Envlronmental 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
x..
"'-_,,___
no.
On.,
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 . (20 10) 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- 1558
32. Au, K.E . Wong. W.K .• Zeng. X.l l. (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 Journa l. Vol 74,
NQ. ll.pp.977 .9S I
34. Karras, D.A .• Ka rkallls, S,A. (1 99M) 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 . 1 69 - 1 ~1
35. Lui, S.-G,. Qu, P,-G. (200H ) Insl'ff"lion ofjI,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 . (200 1) 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.. M uta"". 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 Tcxll le 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
4 3. She, E ll " Coow. S.. Wang, B .. Kong.l.X. ( 2001) MI'nlificlJlian
and clllssification ofanimal 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
..:-:"
~
_~_
+
+
R&I"II; R"CO'te" Tn"","""""","""",
Yapay s.r... AQlann ln Kulan,m l _ _ _ _ _ _ _ _ _ _ _ _ _
45. Kim. $ .• Vachtsevano" G.1. (2000) IlIIelligem approach to
imegralion 0"'/ colllrol of leXlile prousse", Infomlmian sciences.
VoL 123,No.3,pp, IHI - I99
46. Kim . S, Lee. MJl, Woo, K. -K (1999) Ime/ligelll approach to
;megralion of textile prace"us, IEEE Internat ional Symposium on
Industrial Electronics, VoL 3, pp. 1454-1457
47. Kim. S .. Lee, M.H. (1999) Intelligent approach 10 integrated
oplimi~atio" olld colI/rol of (exrile process".'. IEEE International
Conference on Intelligent Robots and Systems, Vol 3. pp_ 19081913
48. Mori, T , Komiyama, J. (2002) Em/lIl11ing ... ,;IIk/edjabrie., ...ith
image anal)'sis alld 1I""ra/nNworks. Textilc Research Journal, Vol
72, No_ 5, pp.417-422
49. Vroman, P, Koehl. L , Zcng. X .• Chen, T (2008) De.'igning
s,,,,eturol parameter., of Itlm .."O\'Cru using fUZZ)' logic 0"'/ nEural
networks, International Journal of Computational Intell igence
Systems, VoL I, No.4. pp. 329-339
50. Au, K.-F , COOi. T_M, Yu . Y (200M) Fashion retailfarecasting
bJ' Emloilianary neural Networks, Internat ional Journal of
Production Economics, Vol. 114,No. 2, p. 615-630
5 L Lin, J._J. (2007) Prediclion ofyarn shrinkage using IIeural net',
Textile ResearchJouma1. Vol. 77. No . 5, p. 33&--342
52. Pynckels, F , Kiekens. P., Sene, S .• Van lange nho\"e, L. Imp'"
K. (1995) Usc of neural nets for determining the spinnabi lity of
fibr"" Journal of the Textile Institute, Vol. 86, No.3. pp. 425--437
53. Chanopadyay, R., Guha, A. , Arriflcal Neural Networks:
ApplicatiOiIS 10 Texliles, The Textile Institute, Textile Progress, Vol
35,No: I. p5 . p40
54. Bezerra. C M .• Hawkyard, c.J . (2000) . Mmch predictiOl' for
fluoreseelll dyes by neural networks . J. Society of Oyers and
Colourist, 116,pp. 163- 169
55. Mimlani, E. Takagi, H, Auslander, O .M .• Jang. J-S __ R. (2000 ,
November) . Evo/ving Color Recipes. lEE Tmruaclion"on Sy.<lem."
Man. And Cybernetic • . Pan- C: Applications and Reviews. Vo1.30,
No:4. pp. 537_550
56. limin. F (1994) . ISB N: 0-07_11331 9--4 . NEural networks In
computer InIEiligEnce. McGraw- Hili International Editions.
Computer Science SeTi",. The M[T Press & McGraw Hill, Inc .•
Singapore . p, 460
57. Bishop. JM .. Bushnell, 1'.11 .• Westland, S (1 991). Application
ofllEural network 10 compuler recipe predictioll. Color ReSEarch
ami Applicalioll. It.( I), pp,3 -M
58. Vanghel uwe, L (1994). Comments on "Using Neuml Network..
10 Predici Dye COI,eentralions In Mulllple.Dye MirlUre,," TRJ.
64(3),pp . IM2- 183
59. Jasper, W.J. ( 1994). Reply 10 "Using Neural Networks ta Predlcl
Dye Concemmllon.< ill Jlultiple_Dye ..1/ixlUrt's". TRJ . 64(3). pp
'"
60. Marjon ierni. M.,& Maentysalo, E. (1 997). Neuro-ji'=1'
modelling of "pN:lroscaplc data. Part B· Dye concemmllon
prt'diCliOl'. J. Society ofOye", and Colourist, 113, pp. I 3- 17
61 . Westland, S, (2002). Kllbelka· .-1/",,11 or Nellral Nelworks for
CompUler Coloram Formulalio'L 9" Congre." ofthe International
Color Association, Proceed ingsofS PI Vol. 4421
62. Mimtani, E.• Jang. J-S.• R __ Nishio, K .• Takagi, H, . Auslander.
0 .1'.1. (1995, No,'ember). Coacllve Neuro.Fu"::J· Modeling for
Color Recipe Prt'dicllon Proc . IEEE [n1. Conf Neural Networks.
pp.2252 -2257
NurMn OnIl r