Derin öğrenme tabanlı kalite kontrol cihazı tasarımı
Design of deep learning based quality control device
- Tez No: 1002213
- Danışmanlar: PROF. DR. SEZGİN KAÇAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Görüntü işleme, Image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasının temel amacı, derin öğrenme tabanlı görüntü işleme yöntemlerinin endüstriyel kalite kontrol süreçlerinde etkin biçimde kullanılmasını sağlamak ve bu yöntemleri gerçek bir üretim hattına entegre edilebilir hâle getirmektir. Literatürde sıklıkla yazılım veya simülasyon düzeyinde ele alınan derin öğrenme tabanlı kalite kontrol yaklaşımlarının, sahada uygulanabilir ve otomasyon sistemleriyle bütünleşik çözümlere dönüştürülmesi önemli bir gereksinim olarak ortaya çıkmaktadır. Bu bağlamda, üretim süreçlerinde karar verme mekanizmalarının otomatikleştirilmesi ve insan operatöre olan bağımlılığın azaltılması hedeflenmiştir. Çalışma kapsamında geliştirilen sistem, derin öğrenme tabanlı görüntü işleme yöntemlerini PLC kontrollü bir otomasyon sistemiyle bütünleştirerek üretim sürecine doğrudan entegre edilebilen bir yapı sunmaktadır. Geliştirilen yaklaşım, yalnızca yazılım tabanlı bir sınıflandırma uygulaması olmanın ötesine geçerek, üretim hattında fiziksel müdahalede bulunabilen karar verici bir sistem niteliği taşımaktadır. MobileNet mimarisinin tercih edilmesiyle, yüksek sınıflandırma doğruluğu korunurken düşük donanım gereksinimi sağlanmış; böylece sınırlı işlem gücüne sahip bilgisayar sistemlerinde dahi gerçek zamanlı analiz yapılabilmesi mümkün hâle gelmiştir. Görüntülerin elde edilmesinden sınıflandırma sonuçlarının üretilmesine ve bu sonuçların PLC'ye aktarılmasına kadar olan tüm süreçler senkronize biçimde tasarlanmıştır. RS485 tabanlı haberleşme altyapısı sayesinde sınıflandırma sonuçları güvenilir ve gecikmesiz olarak PLC'ye iletilmiş, PLC kontrolü aracılığıyla hatalı ürünlerin üretim hattından otomatik olarak ayrıştırılması sağlanmıştır. Elde edilen bulgular, geliştirilen sistemin kalite kontrol süreçlerinde insan operatöre olan bağımlılığı azalttığını, değerlendirme tutarlılığını artırdığını ve üretim hatlarında anlık karar verme yeteneği sağladığını göstermektedir. Literatürde çoğunlukla teorik düzeyde ele alınan derin öğrenme tabanlı kalite kontrol yaklaşımlarının, bu çalışma kapsamında gerçek bir üretim hattında PLC entegrasyonu ile uygulanabilir hâle getirilmesi, tezin en önemli özgün katkılarından biridir. Modüler sistem mimarisi sayesinde geliştirilen yapı, farklı ürün geometrileri, üretim hızları ve kalite kriterleri için yeniden yapılandırılabilir niteliktedir. Ayrıca sistemin bakım ve genişletilebilirlik ihtiyaçları da göz önünde bulundurulmuştur. Sonuç olarak bu tez, derin öğrenme temelli kalite kontrol sistemlerinin endüstriyel otomasyon altyapılarına entegrasyonu konusunda uygulanabilir, esnek ve sürdürülebilir bir model sunarak hem akademik literatüre hem de gerçek üretim ortamlarına somut ve özgün bir katkı sağlamaktadır.
Özet (Çeviri)
This thesis study primarily aims to ensure that deep learning–based image processing methods are used effectively in industrial quality control processes and to make these methods integrable into a real production line. In the literature, deep learning–based quality control approaches that are frequently addressed at the software or simulation level emerge as an important necessity to be transformed into solutions that are applicable in the field and integrated with automation systems. In this context, it was aimed to automate decision-making mechanisms in production processes and to reduce dependence on the human operator. Within the scope of the study, the developed system presents a structure that can be directly integrated into the production process by integrating deep learning–based image processing methods with a PLC-controlled automation system. The developed approach goes beyond being merely a software-based classification application and has the characteristic of a decision-making system that can physically intervene on the production line. With the preference of the MobileNet architecture, while high classification accuracy was maintained, low hardware requirement was provided; thus, it became possible to perform real-time analysis even on computer systems with limited processing power. All processes, from acquiring the images to producing the classification results and transferring these results to the PLC, were designed in a synchronized manner. Thanks to the RS485-based communication infrastructure, the classification results were transmitted to the PLC reliably and without delay, and through PLC control, defective products were automatically separated from the production line. The findings obtained show that the developed system reduces dependence on the human operator in quality control processes, increases evaluation consistency, and provides instant decision-making capability in production lines. The fact that deep learning–based quality control approaches, which are mostly addressed at a theoretical level in the literature, were made applicable within the scope of this study on a real production line with PLC integration is one of the most important original contributions of the thesis. Thanks to the modular system architecture, the developed structure can be reconfigured for different product geometries, production speeds, and quality criteria. In addition, the maintenance and expandability needs of the system were also taken into consideration. As a result, this thesis offers an applicable, flexible, and sustainable model for the integration of deep learning–based quality control systems into industrial automation infrastructures, providing a concrete and original contribution to both the academic literature and real production environments.
Benzer Tezler
- Design and application of half-bridge LLC resonant converter using reinforcement learning control
Pekiştirmeli öğrenme kontrollü yarım köprü LLC rezonans dönüştürücü tasarımı ve uygulaması
MUHAMMET KILIÇTAŞ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH BARIŞ ÖZTÜRK
- AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi
Machine learning and deep learning based modeling of aging and mechanical behavior in AA 7075 alloys
MÜJDE GÜZELGÜL
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN KÖSE
- Derin öğrenme yaklaşımlarıyla araç kaporta boyalarının orijinallik tespiti
Originality determination of vehicle body paints with deep learning approaches
MEHMET MEHDİ TUNÇYÜZLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBatman ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAFZULLAH İŞ
- Behavioral and genetic evaluation of the effect of prenatal stress on functional cerebral asymmetries in rats
Ratlarda prenatal stresin fonksiyonel serebral asimetri üzerindeki etkisinin davranışsal ve genetik açıdan değerlendirilmesi
SEVİM ISPARTA
Doktora
İngilizce
2023
Veteriner HekimliğiAnkara ÜniversitesiGenetik Ana Bilim Dalı
DOÇ. DR. BENGİ ÇINAR KUL
PROF. DR. ONUR GÜNTÜRKÜN
- Visual attention and visual distortion sensitivity based regional rate allocation in JPEG2000
JPEG2000'de görsel dikkat ve görsel bozunum duyarlılığı tabanlı bölgesel bit hızı dağıtımı
MESUT PAK
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT