Kumaş hatalarının derin öğrenme ile tespiti
Detection of fabric defects with deep learning
- Tez No: 724943
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN ALTUNAY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 129
Özet
Ülkemiz, hazır giyim endüstrisinde, uluslararası pazarda büyük bir potansiyele sahiptir. Bu pazar potansiyelinin korunması ve artırılması, ürün kalitesini etkileyen en önemli sorunların giderilmesine bağlıdır. Kalite sorunlarının başında ise belli başlı kumaş hataları gelmektedir. Bu kumaş hatalarının tespit edilmesi için daha önceki çalışmalarda birçok yöntem denenmiştir fakat kullanılan bu yöntemler ile yeterli başarı elde edilememiştir. Gelişen teknolojiyle birlikte, nesne tespiti problemlerinin çözümü için derin öğrenme algoritmaları sıklıkla kullanılmaktadır. Görüntü işleme alanında derin öğrenme algoritmalarının kullanılması ile etkin çözümlere hızlı bir şekilde erişilmesi mümkün hale gelmiştir. Bu çalışmada da kumaş hatalarının tespiti için derin öğrenme yöntemlerinden YOLOv4 algoritması kullanılmıştır. YOLOv4 modelinin eğitilmesi için iki ayrı veri seti kullanılmıştır. Bunlardan ilki TILDA veri setidir. İkincisi bu çalışma kapsamında oluşturulan veri setidir. TILDA veri setinde 1.600 adet kumaş hata görseli bulunmaktadır. Oluşturulan veri setinde 1.200 adet kumaş hata görseli bulunmaktadır. Modelin performansını arttırmak için veri artırımı uygulanmıştır. Uygulama sonucunda 14.400 adet kumaş hata görseline sahip artırılmış TILDA veri seti ve 12.000 adet kumaş hata görseline sahip artırılmış veri seti elde edilmiştir. Modelin öğrenmesi için görseller %80'i eğitimde, %20'si test işleminde kullanılmıştır. Öğrenim sonucunda artırılmış TILDA veri seti için; %87 kesinlik, %82 duyarlılık, %85 F1 skor, %66,93 IoU, %85,11 mAP, %99,34 doğruluk oranı elde edilmiştir. Artırılmış veri seti için, %97 kesinlik, %93 duyarlılık, %95 F1 skor, %83,77 IoU, %96,59 mAP, %99,56 doğruluk oranı değerlerine ulaşılmıştır. Elde edilen bu sonuçlar kumaş hatası tespitinde YOLOv4 algoritmasının başarılı sonuçlar ürettiğini göstermektedir.
Özet (Çeviri)
Turkey has great potential in the international market for the apparel industry. Maintaining and increasing this market potential depends on the elimination of the most important problems affecting product quality. At the beginning of the quality problems, there are certain fabric defects. Many methods have been tried in previous studies to detect these fabric defects, but the methods used did not provide sufficient results. With the developing technology, deep learning algorithms are frequently used to solve object detection problems. With the use of deep learning algorithms in the field of image processing, it has become possible to reach effective solutions quickly. In this study, the YOLOv4 algorithm, which is one of the deep learning methods, was used to detect fabric defects. Two separate data sets were used to train the YOLOv4 model. The first of these is the TILDA dataset. The second is the generated dataset. There are 1,600 fabric defect images in the TILDA dataset. There are 1,200 fabric defect images in the created data set. Data augmentation was applied to increase the performance of the model. As a result of the application, an augmented TILDA data set with 14,400 fabric defect images and an augmented data set with 12,000 fabric defect images were obtained. For the learning of the model, 80% of the visuals were used in training and 20% in the testing procedure. For the augmented TILDA data set as a result of the learning; 87% precision, 82% recall, 85% F1 score, 66.93% IoU, 85.11% mAP, 99.34% accuracy rate the conclusion has been reached. For the augmented dataset, 97% accuracy, 93% sensitivity, 95% F1 score, 83.77% IoU, 96.59% mAP, 99.56% accuracy rate the conclusion has been reached. The obtained data is displayed that the successful results are recieved with YOLOv4 algorithm in fabric defect detection.
Benzer Tezler
- Derin öğrenme yöntemi ile kumaş hatalarının otomatik tespiti ve sınıflandırılması
Automatic detection and classification of fabric defects with deep learning method
SAFA ZENHAR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGAZİANTEP İSLAM BİLİM VE TEKNOLOJİ ÜNİVERSİTESİElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İPEK ATİK
- İmalat sistemlerinde derin öğrenme tabanlı doku hata tespiti
Deep learning based texture defect detection in manufacturing systems
HÜSEYİN ÜZEN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
DOÇ. DR. MUAMMER TÜRKOĞLU
- Derin öğrenme ve görüntü işleme kullanılarak kumaş hatalarının tespit edilmesi ve sınıflandırılması
Detection and classification of fabric defects using deep learning and image processing
UĞUR CAN TOPÇU
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAydın Adnan Menderes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. COŞKUN DENİZ
- Tekstil ürünlerinde hata tespit sistemi
Error detection system for textile products
ZAFER KAZAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERHAT ATASOY
- Tekstil üretiminde derin öğrenme tabanlı otomatik hata tespit sistemi
Deep learning based automatic defect detection system in textile production
AHMET METİN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAYDAR ÖZKAN