Derin öğrenme yöntemleri ile akıllı telefon üretim hatalarının tespiti
Detection of manufacturing defects in smartphones using deep learning techniques
- Tez No: 1022784
- Danışmanlar: DR. ÖĞR. ÜYESİ CEM TAŞKIN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka, Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Trakya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstride kalite kontrol, üretim verimliliği ve maliyetlerin düşürülmesi açısından büyük önem taşımaktadır. Bu tez çalışması, bir cep telefonu montaj hattında otomatik vidalama işlemi sırasında cihazın yanlış konumlandırılması sonucu oluşan batarya hasarları ve pahalı ekipman kayıplarını ele almaktadır. Mevcut mekanik çözümler bu sorunları önlemede yetersiz kaldığı için yeni bir yaklaşıma ihtiyaç duyulmuştur. Bu çalışmanın temel amacı; derin öğrenme ve görüntü işleme tekniklerini kullanarak, mobil cihaz tabanlı, düşük maliyetli ve esnek bir otomatik hata tespit sistemi geliştirmektir. Bu doğrultuda montaj istasyonundan mobil cihaz kamerası ile alınan görüntüler, USB kablo üzerinden Android Debug Bridge kullanılarak Go diliyle geliştirilmiş bir proxy aracılığı ile Python FastAPI tabanlı yapay zekâ sunucusuna iletilmektedir. Sistem ayrıca, cihazların uzaktan yönetimi ve durum takibi için merkezi yönetim uygulaması ile desteklenmiştir. Hata tespiti süreci, iki aşamalı kademeli bir derin öğrenme mimarisi ile gerçekleştirilmiştir. İlk aşamada YOLOv11 tabanlı nesne tespit modeli ile telefon üzerindeki vida delikleri konumlandırılmakta ve yalnızca ilgili bölgeler (ROI) kırpılmaktadır. İkinci aşamada bu bölgeler üzerinden çalışan sınıflandırma modeli ile olası montaj hataları belirlenmektedir. Hata tespiti durumunda sistem, operatörü anlık olarak uyararak sürecin hatalı şekilde devam etmesini engellemektedir. Hizmet Olarak Derin Öğrenme (Deep Learning as a Service – DLaaS) yaklaşımı doğrultusunda geliştirilen sistemin montaj hatalarını 2 saniyenin altında yanıt süresi ile tespit etmesi hedeflenmektedir. Sonuç olarak bu çalışma, endüstriyel bir probleme üniversite-sanayi iş birliği kapsamında modern yapay zekâ teknikleriyle çözüm sunmakta; üretim verimliliğini ve güvenliğini artıran, ölçeklenebilir ve düşük maliyetli bir kalite kontrol sistemi ortaya koymaktadır.
Özet (Çeviri)
Quality control is very important in industry. It helps increase production efficiency and reduce costs. This thesis focuses on battery damage and expensive equipment losses that occur in a mobile phone assembly line. These problems happen when the device is positioned incorrectly during the automatic screwing process. Existing mechanical solutions are not sufficient to prevent these issues, so a new approach is needed. The main goal of this study is to develop a low-cost, flexible, and mobile-based automatic error detection system using deep learning and image processing. In this system, images are captured by a mobile device camera at the assembly station. These images are sent over a USB cable using Android Debug Bridge (ADB) to a proxy built with the Go programming language. The proxy then passes the images to a Python FastAPI-based artificial intelligence server. Additionally, the system includes a central management application to remotely manage devices and track their status. The error detection process uses a two-step deep learning architecture. In the first step, a YOLOv11-based object detection model finds the screw holes on the phone and crops only those specific areas (Regions of Interest, or ROI). In the second step, a classification model checks these cropped areas to identify any assembly mistakes. If an error is found, the system immediately warns the operator so the faulty process can be stopped. The entire architecture is designed using a Deep Learning as a Service (DLaaS) approach. The developed system aims to detect assembly errors in under 2 seconds. In conclusion, this study solves a real industrial problem using modern AI techniques through a university-industry partnership. It provides a scalable and low-cost quality control system that makes production safer and more efficient.
Benzer Tezler
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Yenilenmiş akıllı telefon piyasasında makine öğrenmesi ile fiyat tahmin modelleri oluşturulması
Developing machine learning models for price prediction in the refurbished smartphone market
BERRİN BEYZA ÖZEN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA AYDIN
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ALAEDDİNOĞLU
- Sayısal patoloji görüntülerinin analizinde yenilikçi derin öğrenme yaklaşımlarının geliştirilmesi
Development of innovative deep learning approaches in the analysis of digital pathology images
YUSUF ÇELİK
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT KARABATAK
- Navigation based on inertial sensor data using deep learning techniques
Ataletsel sensör verileriyle derin öğrenme teknikleri kullanılarak navigasyon
MUHAMMET SERHAT SOYER
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET CENGİZ ONBAŞLI
- Hybrid deep learning architectures for early detection and continuous monitoring of parkinson's disease using multimodal sensor data
Çok modlu sensör verileri kullanılarak parkinson hastalığının erken tespiti ve sürekli izlenmesi için hibrit derin öğrenme mimarileri
MARWAH MUWAFAQ KADHIM AL-MOZANI
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN DEMİREL