Geri Dön

Automated identification of sheet metal parts using deep learning techniques

Derin öğrenme teknikleri kullanılarak sac metal parçaların otomatik tanımlanması

PDF İndir

  1. Tez No: 1000495
  2. Yazar: GÜL SIĞINDI
  3. Danışmanlar: PROF. DR. SADETTİN KAPUCU, DOÇ. DR. ALİ KILIÇ
  4. Tez Türü: Doktora
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Otomatik tanıma, Çelik sac, Automatic identification, Steel sheet
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Gaziantep Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Sac metal parçalarının doğru ve güvenilir bir şekilde tanımlanması ve sınıflandırılması, modern üretim ortamlarında üretim verimliliğinin artırılması, kalite kontrolün iyileştirilmesi, izlenebilirliğin sağlanması ve operasyonel maliyetlerin azaltılması açısından kritik bir öneme sahiptir. Barkodlama, etiketleme ve mürekkep püskürtmeli işaretleme gibi geleneksel tanımlama yöntemleri, etiket bozulmaları, yanlış konumlandırma, yüzey yansımaları ve mekanik deformasyonlar nedeniyle yeterli güvenilirliği sağlayamamaktadır. Bu çalışmada, düz ve şekillendirilmiş sac metal parçalarının otomatik tanımlanması için bütünleşik bir derin öğrenme yaklaşımı sunulmaktadır. Düz sac parçaları için iki boyutlu (2B) teknik çizimlerden elde edilen görüntüler, şekillendirilmiş veya bükülmüş sac parçalar için ise üç boyutlu (3B) Bilgisayar Destekli Tasarım (CAD) modellerinden üretilen çoklu bakış açılı sentetik görüntüler kullanılarak InceptionV3 tabanlı bir Evrişimsel Sinir Ağı (CNN) ile sınıflandırılmıştır. Sonuçlar, önerilen sistemin düz sac metal parçalar için %96 Top-1, %99,36 Top-3 ve %100 Top-5 doğruluk oranlarına, şekillendirilmiş veya bükülmüş sac metal parçalar için ise %98,6 Top-1 ve sırasıyla %99,9 Top-3 ve %100 Top-5 doğruluk oranlarına ulaştığını göstermektedir. Manuel müdahaleyi ortadan kaldıran bu yaklaşım, sac metal endüstrisinde akıllı üretim uygulamaları için ölçeklenebilir, güvenilir ve gerçek zamana yakın bir çözüm sunmaktadır.

Özet (Çeviri)

Accurate and reliable identification and classification of sheet metal parts are critical for improving production efficiency, enhancing quality control, ensuring traceability, and reducing operational costs in modern manufacturing environments. Conventional identification methods such as barcoding, labeling, and inkjet marking fail to provide sufficient reliability due to label degradation, incorrect placement, surface reflections, and mechanical deformations. This study presents an integrated deep learning–based approach for the automated identification of flat and formed sheet metal parts. Flat sheet metal parts are classified using images derived from two- dimensional (2D) technical drawings, while formed or bent sheet metal parts are classified using multi-view synthetic images generated from three-dimensional (3D) Computer-Aided Design (CAD) models, both employing an InceptionV3-based Convolutional Neural Network (CNN). The results show that the proposed system achieves a Top-1 accuracy of 96% with 99.36% Top-3 and 100% Top-5 accuracies for flat sheet metal parts, and a Top-1 accuracy of 98.6% with Top-3 and Top-5 accuracies of 99.9% and 100%, respectively, for formed or bent sheet metal parts. By eliminating manual intervention, this approach provides a scalable, reliable, and near real-time solution for smart manufacturing applications in the sheet metal industry.

Benzer Tezler

  1. Tez No

    83032

    Uzman sisten ve otomotiv sektöründeki bir uygulama

    Expert system and an application in the automotive sector

    HÜSEYİN BURGUT

    Yüksek Lisans

    Türkçe

    Türkçe

    1999

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SERDAR TÜMKOR

  2. Tez No

    19260

    3um N-kuyu CMOS teknolojisi ile test kırmığı tasarımı ve tranzistor eşik gerilimi ayarı

    Test chip design for 3 um N-well CMOS fabrication technology and threshold voltage adjustment

    ZEYNEP D. TOROS

    Yüksek Lisans

    Türkçe

    Türkçe

    1991

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. DURAN LEBLEBİCİ

  3. Tez No

    87056

    Gümrük Birliği sürecinin Türk sermaye piyasasına etkileri

    The Effects of Customer Union course on Turkish capital market

    ÖNDER HALİSDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    EkonomiMarmara Üniversitesi

    Sermaye Piyasası ve Borsa Ana Bilim Dalı

    PROF. DR. İLHAN ULUDAĞ

  4. Tez No

    1019841

    A large language model (LLM)-based framework for bid/no-bid decision support in construction public procurement: Validated on romanian tenders

    İnşaat kamu ihalelerinde teklif verme / vermeme karar desteği için büyük dil modeli (LLM) tabanlı bir çerçeve: Romanya ihaleleri üzerinde doğrulama

    ELİF GÜLİN PETEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ONUR BEHZAT TOKDEMİR

  5. Tez No

    454086

    Samsun ili ve çevresindeki koyun pnömonilerinden izole edilen mannheimia türlerinin fenotipik karakterizasyonu ve antibiyotik duyarliliklarinin belirlenmesi

    Phenotypical characterization of mannheimia species isolated from sheep pneumonia in samsun province and determination of their antibiotic susceptibilities

    İLHAN ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    MikrobiyolojiOndokuz Mayıs Üniversitesi

    Veterinerlik Mikrobiyolojisi Ana Bilim Dalı

    DOÇ. DR. ARZU FINDIK

Geri Dön