YOLOv11 tabanlı dokusal farkındalıklı iki kollu özellik füzyonu ile kumaş kusur tespiti
Fabric defect detection with YOLOv11 based two-arm feature fusion and texture awareness
- Tez No: 1011292
- Danışmanlar: DOÇ. DR. MEHMET EMİN TENEKECİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tekstil endüstrisinde kumaş yüzeylerindeki kusurların hızlı ve doğru biçimde tespit edilmesi, ürün kalitesinin güvence altına alınması ve üretim verimliliğinin artırılması açısından kritik öneme sahiptir. Geleneksel manuel denetim yöntemleri; operatör yorgunluğu, subjektif değerlendirme ve üretim hızına uyum sağlayamama gibi kısıtlar nedeniyle yetersiz kalmaktadır. Bu çalışmada, söz konusu sınırlılıkları gidermek amacıyla YOLOv11 mimarisi üzerine inşa edilen dokusal farkındalıklı iki kollu (dual-branch) özellik füzyon mimarisi önerilmektedir. Önerilen mimari, iki paralel dal üzerine kurgulanmıştır. Ana dal (main branch), standart YOLOv11 akışını izleyerek yüksek seviyeli semantik ve geometrik öznitelikleri öğrenirken; dokusal dal (texture branch), kumaş yüzeyine özgü mikro desenleri ve ince süreksizlikleri ayrı bir akış üzerinden temsil etmektedir. Her iki daldan elde edilen öznitelikler, özellik düzeyinde (feature-level) birleştirilerek daha zengin bir temsil uzayı oluşturulmaktadır. Model, TILDA-400 veri seti üzerinde veri artırımı uygulanmış ve uygulanmamış olmak üzere iki farklı senaryo altında değerlendirilmiştir. Ham veri senaryosunda önerilen model, baseline YOLOv11'e kıyasla mAP@50 değerinde yaklaşık 3,15 puanlık artış sağlamıştır. Veri artırımı uygulandığında ise Precision %92,5 ve Recall %91,6 değerlerine ulaşılmış; F1 skoru %92 olarak elde edilmiştir. Eğitim süreci boyunca modelin aşırı öğrenme göstermeden kararlı biçimde yakınsadığı gözlemlenmiştir. Elde edilen bulgular, dokusal farkındalık temelli iki kollu mimari yaklaşımın tekstil kusur tespiti probleminde anlamlı performans iyileştirmesi sağladığını ve özellikle düşük kontrastlı mikro kusurların tespitinde standart tek akışlı modellere kıyasla belirgin üstünlük sunduğunu ortaya koymaktadır.
Özet (Çeviri)
Rapid and accurate detection of defects on fabric surfaces is of critical importance in the textile industry for ensuring product quality and improving production efficiency. Conventional manual inspection methods fall short due to operator fatigue, subjective evaluation, and inability to keep pace with production speeds. In this study, a texture-aware dual-branch feature fusion architecture built upon the YOLOv11 framework is proposed to overcome these limitations. The proposed architecture consists of two parallel branches. The main branch follows the standard YOLOv11 pipeline to learn high-level semantic and geometric features, while the texture branch represents micro-patterns and fine discontinuities specific to fabric surfaces through a separate processing stream. Features extracted from both branches are fused at the feature level to form a richer representation space. The model was evaluated on the TILDA-400 dataset under two scenarios: with and without data augmentation. In the raw data scenario, the proposed model achieved approximately 3.15 points improvement in mAP@50 compared to the baseline YOLOv11. When data augmentation was applied, Precision reached 92.5% and Recall reached 91.6%, yielding an F1 score of 92%. The model demonstrated stable convergence throughout training without exhibiting signs of overfitting. The findings indicate that the texture-aware dual-branch architecture provides meaningful performance improvements in the fabric defect detection problem and offers a distinct advantage over standard single-stream models, particularly in detecting low-contrast micro-defects.
Benzer Tezler
- FPGA tabanlı derin öğrenme algoritması ile baskılı devre kusurlarının tespiti
FPGA based printed circuit board defect detection with a deep learning algorithm
ENES EMRE ÖNER
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY
- Derin öğrenme tabanlı damar segmentasyonu
Deep learning-based vessel segmentation
MEHMET KIYAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU KIR SAVAŞ
- Derin öğrenme tabanlı nesne tespit modelleri ile akıllı gözetim sistemleri için silah ve silahlı insan algılama
Weapon and armed person detection for intelligent surveillance systems using deep learning-based object detection models
KADİR TEKİNDOR
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- Bilgisayar görüşü tabanlı yabancı ot tespiti ve hiyerarşik meristem analizi
Computer vision-based weed detection and hierarchical meristem analysis
SEHER EKMEN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA ATAŞ
- Derin öğrenme tabanlı afet sonrası hava görüntülerinden hasar tespiti ve yol çıkarımı
Post-disaster damage detecti̇on and road extraction from aeri̇al images using deep learni̇ng
HASAN KARACA
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NESRİN AYDIN ATASOY