Geri Dön

Machine learning for product quality inspection

Makine öğrenimi ile ürün kalite kontrolü

  1. Tez No: 519134
  2. Yazar: EROL ÇITAK
  3. Danışmanlar: YRD. DOÇ. YAKUP GENÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 77

Özet

Önemli bir tüketim alanı kuruyemiş olan antep fıstığının kullanıcıya çıtlatılmış olarak sunulması gerekmektedir. Çıtlaklık kalite kontrolü sektörün başlangıcından bu yana insanlar tarafından el ile yapılmaktadır. Fakat kalite kontrolünün insanlar tarafından yapılması hem pahalıdır hem de bu süreci yavaşlatmaktadır. Bu maliyet ve hız problemlerinin üstesinden gelmek için otomasyon sistemlerine ihtiyaç duyulmaktadır. Endüstriyel beklentilere göre bu otomasyon sisteminin fıstık başına işlem süresinin olabildiğince minimum olmalı ve %98 üzerinde doğruluğa sahip olması gerekmektedir. Bu nedenle bu problemi hız, maliyet ve endüstriyel beklentilere cevap verebilecek bir şekilde görsel sensörleri kullanarak çözmeyi amaçlayan bir otomasyon sistemi yaptık. Öncelikle, antep fıstığı bağlanım ve derin evrişimli sinir ağı kullanarak bölütledik ve sonrasında fıstık“FıstıkNet”adını verdiğimiz bir derin evrişimli sinir ağı ile kırık olup olmadığını bulduk. Bu aşamadan sonra endüstrinin gerçek ortamını taklit edecek bir ortam oluşturuldu. Bu ortamda tek kamera ile endüstrinin kıstaslarının gerçekleyebilmesi için FıstıkNet' in yapısı geliştirildi. Ayrıca bölütleme ve sınıflandırma işlemlerini yapabilmek için büyük bir veri kümesi oluşturuldu.

Özet (Çeviri)

Pistachio is widely consumed as a snack which requires the shell to be properly cracked for easy access to its kernel. The quality control process to detect that the pistachio is cracked is carried out by people from the beginning. But carrying out quality control by humans is expensive and makes quality control process slow. To deal with cost and speed challenges automated systems are required. According to the industrial expectations such a system should provide minimum process time per pistachio and over 98% accuracy. Consequently, we built a system that provides speed, cost and industrial expectations using cameras. First, the pistachio is segmented from the background using support vector regression (SVR) or deep convolutional neural network (CNN). And then pistachio is classified as cracked or not-cracked using CNN that we called“FistikNet”. After this stage we set up an environment which simulates the real-world industry. To use FistikNet in this real-world condition, we improved FistikNet while it still satisfies industry's requirement with single camera. For this reason, we have achieved more than 98% classification accuracy while using deep learning based method that is first time for this problem. Additionally, due to deep learning based methods require relatively large dataset we build a large pistachio visual inspection dataset is created to accomplish segmentation and classification.

Benzer Tezler

  1. Bir tekstil firmasında kanban sisteminin uygulanması

    An Application of kanban system in a textile company

    UĞUR ÖZÇER

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    DOÇ.DR. SEMRA DURMUŞOĞLU

  2. Endüstriyel üretim hatlarında yapay zekâ destekli kalite kontrol sisteminin geliştirilmesi

    Development of artificial intelligence-supported quality control system in industrial production lines

    ELİF AYDAN BİKE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKAY BAYRAK

  3. Endüstri 4.0 çerçevesinde kestirimci imalat teknolojileri

    Predictive manufacturing technologies in industry 4.0 framework

    KADİR TOLGA BAYER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGUT GÜLMEZ

  4. Yapay zekâ ve sinyal işleme yöntemleri ile rulmanlarda taşlama yanığı hatasının tespiti

    Detection of grinding burn defect in bearings with artificial intelligence and signal processing methods

    NURDOĞAN CEYLAN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEZGİN KAÇAR

  5. Development of a new software for fabric defect detection and classification using image processing and machine learning methods

    Görüntü işleme ve makine öğrenme yöntemleri kullanarak kumaş hata tespiti ve sınıflandırması

    AHMAD MONES NAWAF

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET FATİH AKAY