Denim üretiminde makine öğrenmesi yöntemleriyle kalite tahmini
Quality prediction in denim production using machine learning methods
- Tez No: 1018930
- Danışmanlar: PROF. DR. ERCAN ŞENYİĞİT
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, denim üretiminde nihai ürün kalitesini etkileyen süreç ve hammadde değişkenlerinin makine öğrenmesi ile modellenerek üretim hattının erken aşamalarında kalite öngörüsü sağlayan veri temelli bir çerçeve geliştirilmesi amaçlanmıştır. Bir denim üreticisinden derlenen yaklaşık 160.000 kayıt ve 372 öznitelikten oluşan gerçek üretim verisi üzerinde; öznitelik uzayı, sınıf dengeleme, etiket bütünlüğü ve hedef değişken biçimi boyutlarında türetilen sekiz veri seti varyantında altı sınıflandırma algoritması (DT, LR, RF, XGBoost, LightGBM, YSA) karşılaştırılmıştır. Hiperparametre seçimi Optuna-TPE ile, algoritma karşılaştırmaları ise bootstrap, McNemar, DeLong ve Bayes-korelasyonlu t-testinden oluşan dört katmanlı bir istatistiksel çerçeveyle yürütülmüştür. Bulgular LightGBM'in sekiz varyant boyunca tutarlı üstünlük sergilediğini; veri tasarım kararlarının performans üzerindeki etkisinin algoritma seçimine yakın düzeyde belirleyici olduğunu; feature importance temelli boyut indirgemenin etkileşim-yoğun problemlerde belirgin performans kaybına yol açtığını; sınıf dengelemenin azınlık sınıf yakalamayı iyileştirdiğini ve LightGBM'in etiket gürültüsüne karşı en dayanıklı algoritma olduğunu ortaya koymuştur.
Özet (Çeviri)
This thesis develops a data-driven framework that predicts end-product quality in denim manufacturing from process and raw-material variables, supporting early quality forecasting on the production line. Using a real industrial dataset of approximately 160,000 records and 372 features from a denim manufacturer, six classification algorithms (DT, LR, RF, XGBoost, LightGBM, ANN) are benchmarked across eight variants obtained by manipulating the feature space, class balance, label integrity and target design. Hyperparameter selection uses TPE-based Bayesian optimization in Optuna, while algorithm comparisons rely on a four-layered statistical framework of bootstrap confidence intervals, McNemar tests, DeLong tests, and Bayesian correlated t-tests. The results show that LightGBM attains consistent superiority; that data-design decisions affect performance to a degree comparable with algorithm choice; that feature-importance-based dimensionality reduction causes substantial loss in interaction-rich problems; that class balancing improves minority-class recovery; and that LightGBM is the most label-noise-robust algorithm in the comparison.
Benzer Tezler
- Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri
Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”
FÜSUN GÜRSEL ÇELİKEL
- Tekstil boyamacılığında atık flottede boyama imkanları üzerine araştırma
Başlık çevirisi yok
MEHMET YAKARTEPE
- Çekirdeksiz kuru üzümde uygulanan politikanın Ege Bölgesinde üretim ve üretici açısından sonuçlarının değerlendirilmesi
Başlık çevirisi yok
GÜVEN ÖZERİN
- Glaphyrinae altfamillyasına bağlı bazı türlerin teşhisinde dış morfolojik karakterlerin kullanılması üzerinde çalışmalar
The Research on the subfamilly of glaphyrinae and the usage of the external morphdosical characteristics for Identifying some of its species
B.VERDA AKA
