Geri Dön

Nanofiberlerin elektron mikroskobu görüntülerinin derin öğrenme yöntemleri kullanılarak sınıflandırılması

Classification of nanofibers' electron microscope images using the deep learning methods

PDF İndir

  1. Tez No: 1016635
  2. Yazar: ÇAĞRI YARDIMCI
  3. Danışmanlar: DOÇ. DR. MEVLÜT ERSOY
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Süleyman Demirel Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Son yıllarda nanomalzemeler, sahip oldukları geniş uygulama alanları ve yüksek arge potansiyelleri nedeniyle birçok disiplinde yoğun ilgi görmektedir. Bu malzemeler arasında, poliakrilonitril (PAN) bazlı nanofiberler, yüksek erime noktası, üstün termal kararlılığı ve yüksek karbon verimi gibi özellikleriyle ön plana çıkmaktadır. Nanofiberlerin ilaç taşıma, doku mühendisliği ve enerji depolama gibi kritik uygulamalarda kullanımı, bu alanlardaki sistem performansını ve verimliliğini önemli ölçüde artırmaktadır. Elektroeğirme, nanofiber üretmek amacıyla kullanılan bir sentez tekniğidir. Bu teknik, solüsyon, voltaj, akış hızı ve toplayıcı mesafesi gibi birçok parametre farklılıklarından dolayı kusurlu ya da kusursuz nanofiberlerin oluşumuna yol açabilmektedir. Nanofiberlerin morfolojik yapısındaki bu kusurlar, uygulama verimliliğini büyük ölçüde etkilemektedir. Bu yapısal kusurların tespitini hızlandırmak ve otomatikleştirmek amacıyla derin öğrenme modelleri kullanılmaktadır. Bu tez çalışması, elektroeğrilmiş PAN nanofiberlerin kusur analizine özel olarak uyarlanmış yeni bir derin öğrenme modeli sunmaktadır. Öncelikli olarak geliştirilen baz model, nanofiberleri, Taramalı Elektron Mikroskobu (SEM - Scanning Electron Microscope) görüntüleri üzerinden az kusurlu, kusurlu ve kusursuz olmak üzere üç kategoriye ayırmakta olup, az kusurlu kategori için %93.65, kusurlu kategori için %96.05, kusursuz kategori için %97.56 doğruluk oranlarına ulaştığı görülmektedir. Yüksek boyutlu veri setlerine, orijinal verinin temel özellikleri korunurken, anlamlı ve azaltılmış veriler türeterek tanıma doğruluğunu ve enerji gereksinimlerini karşılamak adına boyut indirgeme yöntemleri uygulanmaktadır. Bu tez çalışmasında oluşturulan benzersiz SEM veri setine boyut indirgeme yöntemleri uygulandığında ise Negatif Olmayan Matris Çarpanlarına Ayırma (NMF - Non-negative Matrix Factorization) için az kusurlu kategoride %90.27, kusurlu kategoride %94.10, kusursuz kategoride %96.03 doğruluk oranlarına ulaştığı, Tekil Değer Ayrışımı (SVD - Singular Value Decomposition) için ise az kusurlu kategoride %91.29, kusurlu kategoride %94.52, kusursuz kategoride %96.06 doğruluk oranlarına ulaştığı gözlenmektedir. Ortalama işlem süresi, herhangi bir indirgeme yöntemi uygulanmadığında 90.95 ms, NMF uygulandığında 53 ms, SVD uygulandığında ise 62.29 ms olarak hesaplanmıştır. Baz model, geliştirilmiş ve heterojen fiber geometrileri boyunca ifade gücü yüksek ve ayırt edici özellik çıkarımı sağlayacak şekilde, genetik algoritma (GA) ile optimize edilen hiperparametreler ve çok ölçekli bir Inception modülü ile güçlendirilmiştir. Önerilen Nanofiber Sınıflandırıcı, tamamen sıfırdan geliştirilip eğitilmesine rağmen, sınıf bazında üstün bir performans sergilemiş, hafif kusurlu örnekler için %98.64, kusurlu örnekler için %99.16 ve kusursuz örnekler için %99.18 doğruluk değerlerine ulaşmıştır. Bu bulgular, amaca yönelik tasarlanmış çok ölçekli bir mimarinin, SEM tabanlı nanofiber kalite değerlendirmesi için etkili, güvenilir ve ölçeklenebilir bir çözüm sunduğunu ortaya koymaktadır.

Özet (Çeviri)

In recent years, nanomaterials have attracted significant attention across multiple disciplines due to their wide range of applications and high research and development potential. Among these materials, polyacrylonitrile (PAN)-based nanofibers stand out with their superior properties, such as high melting point, excellent thermal stability, and high carbon yield. The use of nanofibers in critical applications such as drug delivery, tissue engineering, and energy storage has notably enhanced the efficiency and performance of these systems. Electrospinning is a widely used synthesis technique for the production of nanofibers. However, variations in parameters such as solution concentration, applied voltage, flow rate, and collector distance may lead to the formation of both defective and non-defective nanofibers. These morphological defects can significantly affect the functional efficiency of nanofiber applications. To accelerate and automate the detection of such structural defects, deep learning models have been increasingly utilized. This thesis presents a novel deep learning model specifically designed for the defect analysis of electrospun PAN nanofibers. The base model classifies nanofibers into three categories (slightly defective, defective, and non-defective) based on Scanning Electron Microscope (SEM) images. The model achieved classification accuracies of 93.65% for the slightly defective category, 96.05% for the defective category, and 97.56% for the non-defective category. To reduce energy requirements and enhance classification accuracy while preserving the essential features of high-dimensional datasets, dimensionality reduction techniques were employed. When applied to the uniquely constructed SEM dataset in this study, the Non-negative Matrix Factorization (NMF) method yielded classification accuracies of 90.27%, 94.10%, and 96.03% for slightly defective, defective, and non-defective categories, respectively. Similarly, the Singular Value Decomposition (SVD) method achieved accuracies of 91.29%, 94.52%, and 96.06% for the respective categories. The average processing time was measured as 90.95 ms without dimensionality reduction, 53 ms with NMF, and 62.29 ms with SVD. A custom classifier is developed and enhanced with a multiscale Inception module together with hyperparameters optimised through a genetic algorithm (GA), enabling expressive and discriminative feature extraction across heterogeneous fiber geometries. The proposed Nanofiber Classifier, although developed and trained entirely from scratch, achieves exceptional classwise performance with accuracy values of 98.64% for slightly defective, 99.16% for defective, and 99.18% for non defective samples. These findings demonstrate that a purpose built multiscale architecture provides an effective, reliable, and scalable solution for SEM based nanofiber quality assessment.

Benzer Tezler

  1. Tez No

    268226

    Production and characterization of nanofibers from polycaprolactam and ethylene-butyl acrylate-maleic anhydride terpolymer mixture

    Polikaprolaktam ve etilen-bütil akrilat-maleik anhidrit terpolimeri karışımından elde edilen nanofiberlerin üretimi ve özelliklerinin belirlenmesi

    ERKAN BİBER

    Doktora

    İngilizce

    İngilizce

    2010

    Polimer Bilim ve TeknolojisiOrta Doğu Teknik Üniversitesi

    Polimer Bilim ve Teknolojisi Bölümü

    PROF. DR. GÜNGÖR GÜNDÜZ

    PROF. DR. ÜNER ÇOLAK

  2. Tez No

    695014

    Improvement of interfacial toughness of layered composites by using electrostatic flocking technique

    Elektrostatik floklama tekniği kullanılarak katmanlı kompozitlerin arayüz tokluğunun geliştirilmesi

    MUSTAFA UTKU YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Makine MühendisliğiHacettepe Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. BORA MAVİŞ

    DOÇ. DR. ERHAN BAT

  3. Tez No

    332938

    Polypyrrole/poly(acrylonitrile-co-methylacrylate) nanocomposites, nanofibers and their characterizations

    Polipirol/poli(akrilonitril-ko-metilakrilat) nano kompozitleri, nanofiberleri ve karakterizasyonları

    YASEMİN YERLİKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Polimer Bilim ve Teknolojisiİstanbul Teknik Üniversitesi

    Nanobilim ve Nanomühendislik Ana Bilim Dalı

    PROF. A. SEZAİ SARAÇ

  4. Tez No

    392726

    Kemik doku onarımı için hidroksiapatit/peptit amfifil bazlı nanokompozit doku iskelelerinin geliştirilmesi

    Development of hydroxyapatite/peptide amphiphile based nanocomposite scaffolds for bone tissue repair

    SONER ÇAKMAK

    Doktora

    Türkçe

    Türkçe

    2015

    BiyomühendislikHacettepe Üniversitesi

    Nanoteknoloji ve Nanotıp Ana Bilim Dalı

    PROF. DR. MENEMŞE GÜMÜŞDERELİOĞLU

  5. Tez No

    251431

    Bor katkılı süperiletken nanofiberlerin elektrospinleme yöntemi ile eldesi

    The production of boron doped superconducting nanofibers with elektrospining method

    HATİCE DAŞTAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    KimyaSelçuk Üniversitesi

    Ortaöğretim Fen ve Matematik Alanlar Eğitimi Ana Bilim Dalı

    PROF. DR. İBRAHİM USLU

Geri Dön