Derin öğrenme ile gerçek zamanlı endüstriyel ürün izleme ve sayım sistemi
Real-time industrial product tracking and counting system with deep learning
- Tez No: 1018185
- Danışmanlar: PROF. DR. CÜNEYT BAYILMIŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Endüstri 4.0, YOLOv11, ByteTrack, çoklu nesne takibi, gerçek zamanlı sayım, drone, edge AI, OEE, ONNX, TensorRT, Derin öğrenme, Makine öğrenmesi, Sınıflama indeksleri, Sınıflama yöntemleri, Sınıflandırma, Industry 4.0, Deep Learning, Real-Time Object Detection, YOLOv8, ByteTrack, Industrial Automation, Machine learning, Classification indices, Classification methods, Classification
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, Endüstri 4.0 kapsamında üretim ve lojistik süreçlerinde insan hatasını azaltmak, görünmeyen kayıpları (muda) düşürmek ve operasyonel verimliliği artırmak amacıyla görüntü işleme ve derin öğrenme tabanlı gerçek zamanlı ürün sayımı ve takip sistemlerinin tasarımını, gerçekleştirilmesini ve saha doğrulamasını ele almaktadır. Çalışmada tek-aşamalı nesne algılama yaklaşımlarının güncel temsilcisi olan YOLOv11 ile modern çoklu nesne takip yöntemi ByteTrack bütünleştirilerek, üç farklı endüstriyel senaryoda test edilecek ölçeklenebilir bir çözüm önerilmektedir: (i) üretim hattında şeffaf/yarı saydam cisimlerin (ör. damacana) takibi ve sayımı, (ii) valf kutulama istasyonunda yoğun örtüşme altında parça tespiti ve tamamlanmış paket sayımı, (iii) açık alanda drone ile yüksekten alınmış görüntüler üzerinde yığın/ürün sayımı. Sistemin uç (edge) cihazlarda ONNX/TensorRT ile hızlandırılmış çıkarım yapması ve mevcut PLC/SCADA/MES/ERP altyapılarıyla çift yönlü veri entegrasyonu hedeflenmektedir. Veri toplama stratejisi; farklı aydınlatma, hız, perspektif ve örtüşme koşullarını kapsayacak şekilde sahaya özgü veri kümeleri oluşturmayı; COCO formatında etiketlemeyi; domain randomization, Mosaic/MixUp ve perspektif jitter gibi artırmalarla genelleme kabiliyetini güçlendirmeyi içermektedir. Takip boru hattında, NMS/Soft-NMS ayarları ve ByteTrack ilişkilendirme eşikleri senaryoya göre optimize edilecek; hat üstü senaryolarda sanal hat (virtual line) tabanlı iş kurallarıyla tekil sayım garanti edilecektir. Drone senaryosunda homografi/tile tabanlı çıkarım ve karo-ötesi NMS ile tekrar sayım engellenecektir. Değerlendirme; tespit için mAP@[0.5:0.95], precision/recall ve F1; takip için IDF1, MOTA, MOTP, ID switch; sayım doğruluğu için MAE, RMSE, MAPE metrikleriyle yürütülecek, hız-doğruluk eğrileri (FPS vs mAP/IDF1) raporlanacaktır. Kabul kriterleri olarak hat içi senaryolarda MAPE ≤ %2, drone senaryosunda MAPE ≤ %5 ve FPS ≥ 30 hedeflenmektedir. KVKK uyumu adına yalnızca ürün nesneleri işlenecek, kişi/kimlik bilgileri maskelenecek; drone operasyonlarında ilgili mevzuat gözetilecektir. Beklenen katkılar: (1) üç senaryoda yeniden kullanılabilir YOLOv11+ByteTrack sayım kütüphanesi, (2) standartlaştırılmış etiketleme kılavuzu ve veri seti, (3) uçtan uca MLOps boru hattı, (4) OEE ve ROI üzerinde istatistiksel etki analizi. Bulguların, görsel sayımın Endüstri 4.0 uygulamalarındaki metodolojik ve mühendislik yönlerini bütüncül biçimde ele alan genellenebilir bir referans mimari ortaya koyması beklenmektedir.
Özet (Çeviri)
This thesis proposes, implements, and field-validates real-time visual counting and tracking systems to reduce human errors, minimize hidden losses, and increase operational efficiency in Industry 4.0 manufacturing and logistics environments. Building upon the YOLOv11 single-stage object detector and the ByteTrack multi-object tracker, we develop a scalable solution evaluated across three industrial scenarios: (i) tracking and counting transparent/semi-transparent items (e.g., water carboys) on assembly lines, (ii) detecting parts under heavy occlusion at a valve-packaging station and counting completed packages, and (iii) counting stockpiles/products in open areas using drone imagery captured from elevated viewpoints. The system targets edge deployment with ONNX/TensorRT acceleration and two-way integration with existing PLC/SCADA/MES/ERP systems. Data acquisition is tailored to real conditions, covering variations in lighting, speed, perspective, and occlusion; annotations follow COCO format and are augmented via domain randomization, Mosaic/MixUp, and perspective jitter to enhance generalization. The tracking pipeline is optimized through scenario-specific NMS/Soft-NMS and ByteTrack association thresholds; virtual-line–based business rules ensure single counting per track on conveyor lines. For the drone scenario, homography/tile-based inference and cross-tile NMS mitigate duplicate counts. Evaluation adopts mAP@[0.5:0.95], precision/recall, and F1 for detection; IDF1, MOTA, MOTP, ID switches for tracking; and MAE, RMSE, MAPE for counting accuracy, complemented by speed–accuracy curves (FPS vs mAP/IDF1). Acceptance targets are MAPE ≤ 2% for in-line scenarios, MAPE ≤ 5% for drone-based counting, and FPS ≥ 30. To ensure compliance, only product objects are processed (privacy masking for humans), and drone operations follow local regulations. Expected contributions include: (1) a reusable YOLOv11+ByteTrack counting library validated in three scenarios, (2) a standardized labeling guide and dataset, (3) an end-to-end MLOps pipeline, and (4) quantitative impact on OEE and ROI. Overall, the study aims to deliver a generalizable reference architecture for visual counting in Industry 4.0.
Benzer Tezler
- Akustik verilere dayalı ark kaynağı süreçlerinde sınır bilişim ve nesnelerin interneti tabanlı gerçek zamanlı kalite tespiti
Real-time quality detection in welding processes based on acoustic data using edge computing and the internet of things
BİLAL YILDIRIM
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT DURGUN
- Alüminyum iletkenlerin yüzeyindeki hataların derin öğrenme modelleri ile gerçek zamanlı tespiti
Real-time detection of defects on the surface of aluminum conductors with deep learning models
TUGBA BAKTIR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TAYYİP ÖZCAN
- Derin öğrenme tabanlı kalite kontrol cihazı tasarımı
Design of deep learning based quality control device
SEFA BOZATLI
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEZGİN KAÇAR
- Endüstriyel kalite güvence sisteminin geliştirilmesi ve bir bulaşık makinesi fabrikasına uygulanması
Development of an industrial quality assurance system for a dishwasher plant
MAKARIOS RAFAT EISA AZER
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAFFET AYASUN
- Güçlendirilmiş sezgisel üstü algoritma temelli makine öğrenme algoritmaları ile veri sınıflandırma stratejileri
Data classi̇fi̇cati̇on strategi̇es usi̇ng enhanced metaheuri̇sti̇c-based machi̇ne learni̇ng algori̇thms
BEYTULLAH YAĞIZ
Doktora
Türkçe
2026
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. YENER ALTUN
DOÇ. DR. ERDAL EKER