İnce kesit kayaç görüntüleri için derin öğrenme tabanlı kayaç tipi belirleme ve mineral analizi

Jeolojik araştırmalarda ince kesit kayaç görüntülerinin doğru, hızlı ve tekrarlanabilir biçimde değerlendirilmesi; petrojenez yorumları, rezervuar karakterizasyonu ve mühendislik uygulamaları açısından kritik öneme sahiptir. Geleneksel ince kesit analizi, uzman bağımlılığı ve zaman maliyeti nedeniyle otomasyona ihtiyaç duymaktadır. Bu tezde, polarizan mikroskop ile elde edilen ince kesit kayaç görüntülerinden kayaç türü sınıflandırması ve mineral fazlarının anlamsal bölütlenmesi için derin öğrenme tabanlı bütünleşik bir yaklaşım önerilmektedir. Çalışmanın ilk aşamasında, üç ana kayaç grubuna (magmatik, metamorfik, sedimanter) ait 2634 ince kesit görüntüsünden oluşan bir veri seti oluşturulmuştur. Bu veri üzerinde VGG16 ve EfficientNetV2-B0 tabanlı aktarım öğrenmesi yaklaşımları karşılaştırılmış ve her iki mimarinin özellik çıkarım güçlerini birleştiren hibrit bir VGG16+EfficientNetV2-B0 modeli tasarlanmıştır. Önerilen model, eğitim ve doğrulama doğruluklarında yaklaşık %99 düzeyine ulaşarak, tekil modellere göre daha yüksek genelleme başarımı sergilemiştir. İkinci aşamada, ince kesit mikroskop görüntülerinin piksel düzeyinde etiketlenebilmesi için Basit Doğrusal İteratif Kümeleme (Simple Linear Iterative Clustering) SLIC süperpiksel tabanlı yarı otomatik bir anotasyon süreci tasarlanmış ve bu süreçle üretilen yer doğrusu maskeleri üzerinden kuvars, alkali feldispat ve plajiyoklaz fazlarının ayrımı hedeflenmiştir. Oluşturulan etiketli veri seti kullanılarak üç farklı anlamsal bölütleme yaklaşımı (U-Net, DeepLabV3+ ve SegFormer) aynı sınıf tanımı ve aynı yer doğrusu altında eğitilmiş; böylece modellerin performansı karşılaştırılabilir bir çerçevede değerlendirilmiştir. Eğitim aşamasında U-Net, DeepLabV3+ ve SegFormer için doğruluk değerleri sırasıyla %94.83, %95.90 ve %97.00 olarak elde edilirken, mIoU değerleri 0.80, 0.86 ve 0.87 olarak hesaplanmıştır. Doğrulama aşamasında ise UNet'in %88.10 doğruluk ve 0.6406 mIoU; DeepLabV3+'ın %90.45 doğruluk ve 0.66 mIoU; SegFormer'ın %94.56 doğruluk ve 0.73 mIoU değerlerine ulaştığı belirlenmiştir. Bu sonuçlar, SegFormer mimarisinin doğrulama verisi üzerinde hem genel doğruluk hem de sınıf sınırlarını temsil eden mIoU metriklerinde en yüksek başarımı sağladığını; özellikle tane sınırlarının belirgin olmadığı veya faz geçişlerinin kademeli gerçekleştiği ince kesitlerde daha tutarlı maske çıktıları ürettiğini göstermektedir. Elde edilen segmentasyon maskeleri üzerinden her bir numune için kuvars (Q), alkali feldispat (A) ve plajiyoklaz (P) modal oranları piksel sayımı ile hesaplanmış; oranlar QAP diyagramı için normalize edilerek üçgen diyagram üzerinde konumlandırılmıştır. Bu sayede ince kesit görüntülerinden otomatik kayaç türü tayini gerçekleştirilmiş ve segmentasyon çıktılarının petrografik yorum düzeyindeki karşılığı nicel olarak sınanmıştır. Son olarak, geliştirilen grafiksel kullanıcı arayüzü ile anotasyon (SLIC tabanlı etiketleme), model çıktılarının görselleştirilmesi ve QAP tabanlı değerlendirme adımları tek bir iş akışı altında toplanmış;