Automated defect prioritization based on defects resolved at various project phases
Başlık çevirisi mevcut değil.
- Tez No: 662808
- Danışmanlar: DOÇ. DR. HASAN SÖZER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 54
Özet
Günümüzde, bir projedeki hataların önceliklendirmesi emek isteyen ve yanlışlıklara sebep olabilecek bir iştir. Bu çalışmada, makine öğrenimini kullanan otomatik bir yaklaşımın, bu iş için ne derecede etkin olduğu değerlendirilmiştir. Bu değerlendirme yapılırken, Naive Bayes sınıflandırıcısı ve uzun-kısa süreli belli modeli(LSTM) uygulayan iki farklı teknik kullanılmıştır. Tüketici elektroniği alanından gerçek bir proje ile endüstriyel vaka çalışması gerçekleştirilmiştir. 3 yılda toplanan 15.000'den fazla örnek hata raporu derlenmiştir. Test sonuçlarında doğruluk değeri %79,36 seviyesine kadar ulaşmış ve bu sonuçlara göre 3 çıkarımda bulunulmuştur. İlk olarak, LSTM modeli, Naive Bayes sınıflandırmasına göre daha iyi doğruluğa sahiptir. İkinci olarak, yapılandırılmış özellikler, metinsel açıklamalara kıyasla daha iyi doğruluk sağlamaktadır. Üçüncüsü, eğitim kümemizde yakın zamanda raporlanan hatalara ek olarak, daha eskiden raporlanan hatalar kullanıldığında, doğruluk değeri artmaktadır. Aksine, test kümemize ilişkin proje fazından sadece bir önceki fazın verileri eğitim kümesi olarak kullanıldığında, bütün fazlardaki verilerin eğitim kümesi olarak kullanıldığı duruma göre doğruluk seviyesinin daha yüksek olduğu görülmüştür.
Özet (Çeviri)
Defect prioritization is mainly a manual and error-prone task in the current state-of-the-practice. We evaluated the effectiveness of an automated approach that employssupervised machine learning. We used two alternative techniques, namely a NaiveBayes classifier and a Long Short-Term Memory model. We performed an industrialcase study with a real project from the consumer electronics domain. We compiledmore than 15,000 issues collected over 3 years. We could reach an accuracy level upto 79.36% and we had 3 observations. First, Long Short-Term Memory model hasa better accuracy when compared with a Naive Bayes classifier. Second, structuredfeatures lead to better accuracy compared to textual descriptions. Third, accuracy isnot improved by considering increasingly earlier defects as part of the training data.Increasing the size of the training data even decreases the accuracy compared to theresults, when we use data only regarding the recent defects reported in the previousphase of the project.
Benzer Tezler
- Automated defect inspection of textile fabrics using machine vision techniques
Tekstil ürünlerinin yapay görme teknikleri kullanılarak otomatik kalite denetimi
ALPER ATALAY
- An automated defect detection approach for cosmic functional size measurement method
Cosmic işlevsel büyüklük ölçüm metodu için bir otomatik hata yakalama yaklaşımı
GÖKÇEN YILMAZ
Yüksek Lisans
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
PROF. ONUR DEMİRÖRS
- Fabric defect detection in frequency domain using fourier analysis
Dokuma üzerindeki hataları frekans bölgesinde fourıer analizi ile bulma
NURİ GÖKAY TİTREK
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA TANER ESKİL
- End-to-end tire defect detection model based on machine and deep learning techniques
Makine ve derin öğrenme tekniklerine dayalı uçtan uca lastik arıza tespit modeli
RADHWAN ALI ABDULGHANI SALEH
Doktora
İngilizce
2024
Mekatronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Jet uçaklarında transfer öğrenimi yöntemiyle hasarlı parçaların tespiti
Detection of damaged parts via transfer learning method in jet aircrafts
SAFA ERDEM
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLTEKİN ÇAĞIL