A high-performance convolutional neural network for steel defects detection
Çelik kusurlarının tespiti için yüksek performanslı evrişimli sinir ağı
- Tez No: 726822
- Danışmanlar: PROF. DR. ERHAN AKIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 67
Özet
Sıcak haddelenmiş çelik şeritlerde ve çelik terminal imalat endüstrisinde hatasız ürünler sağlamanın kritik ilgisi aşırı vurgulanamaz ve bu, iki (2) farklı çelik ürün sınıfı için bir kusur tespit algoritması geliştirmeye odaklanan bu çalışmanın amacının temelini atmaktadır. Çalışma iki (2) parçaya ayrılmıştır ve birinci bölüm, sıcak haddelenmiş çelik şeritlerdeki yüzey kusurlarını tespit etmeyi öğrenme üzerine kuruludur. ikinci bölüm ise çelik terminallerdeki kusurları tespit etmek için bu çalışmada optimize edilen YOLO v3 algoritmasına dayanmaktadır. Çalışmanın birinci bölümü, sıcak haddelenmiş çelik şeritlerdeki yüzey kusurlarını tespit etmek ve sınıflandırmak için transfer öğrenme tabanlı bir yöntem önermektedir. Önerilen yöntem, sınırlı sayıda eğitim verisi ve veri sınıfı dengesizliğinin etkisini azaltmak için veri büyütme ile önceden eğitilmiş bir VGG19 kullanarak aktarılan öğrenmeye dayanan bir Derin Eşlemsel Sinir Ağı (DCNN) modeli kullanmaktadır. Deneysel testler, VGG19 önceden eğitilmiş modeli kullanarak önerilen yöntemin, KNN, ANN ve Faster RCNN modelinden daha doğru olan sırasıyla %93.11 ve %97.22 eğitim ve doğrulama doğrulukları ile mükemmel bir performansa sahip olduğunu göstermektedir. Çalışmanın ikinci bölümü, çelik terminallerdeki en yaygın üç (3) kusur sınıfını tespit etmek için optimize edilmiş bir YOLO v3 algoritması önermektedir. Tezde önerilen optimize edilmiş YOLO v3 ağı, Hatko Electronics'in İstanbul'daki üretim fabrikasından gerçek zamanlı olarak edinilen çelik terminal görüntü veri kümeleri kullanılarak eğitilmiştir, ve orijinal YOLO v3 ağından mAP (ortalama Ortalama Hassasiyet) sonuçlarından (%57,9 AP50 @0,50) daha yüksek olan 0,50 IOU Eşiği'nde %97,19 AP50 bölgesinde iyi bir performans sunmuş, ve yaklaşık %55.7 AP50 ve SSD513 (Tek Atış dedektörü) ağı için% 50.4 AP50 olan Faster-RCNN'nin mAP puanından daha yüksektir.
Özet (Çeviri)
Ensuring defect-free products is a critical consideration in the hot-rolled steel strips and steel terminal manufacturing industry and cannot be over-emphasized, which underpins the purpose of the study presented herein which is focused on developing an algorithm for the detection of defects for two (2) different classes of steel products. The study is divided into two (2) parts, part one being based on transfer learning is aimed at detecting defects on hot rolled steel strip surfaces, while part two aims to achieve defect detection on steel terminals using an optimized YOLO v3 algorithm. Problem statement one of the studies proposes a transfer learning-based method for detecting defects on hot-rolled steel strip surfaces. The method proposed in this study utilizes Deep Convolutional Neural Network (DCNN) using VGG-19 as a pre-trained model, with data augmentation to mitigate the effect of limited training data and also data-class imbalance. Experimental tests indicate that the method proposed herein using the VGG-19 pre-trained model has an excellent performance, with training and validation accuracies of 93.11% and 97.22%, respectively, which is more accurate than the KNN, ANN, and Faster RCNN model. Problem statement two of the study proposes an optimized YOLO v3 algorithm to detect three (3) most common classes of defects on steel terminals. The optimized YOLO v3 network proposed in the thesis was trained using steel terminal image datasets acquired in real-time from Hatko Electronics' production factory in Istanbul, and delivered a good performance in the region of 97.19% AP50, at 0.50 IOU Threshold, which is a higher than the mAP (mean Average Precision) results (57.9% AP50 @0.50) from the original YOLO v3 network, and higher than the mAP score of Faster-RCNN that is about 55.7% AP50, and, 50.4% AP50 for SSD513 (Single-shot Detector) network.
Benzer Tezler
- Sinir ağlarına dayalı esnek teknikleri kullanarak ağ saldırı tespit sistem yazılımı
Network intrusion detection software using resilient techniques based on neural networks
HANAN ALI ZAINEL ZAINEL
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMAL KOÇAK
- Beyaz cevher hiperintensitelerinin derin öğrenme teknikleri kullanılarak beyin manyetik rezonans görüntülerinden otomatik tespiti
Automatic detection of white matter hyperintensities using deep learning techniques on brain magnetic resonance images
GÖKHAN UÇAR
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. EMRE DANDIL
- Design of hybrid quantum convolutional neural network for ottoman character recognition
Osmanlıca karakter tanıma için hibrit kuantum evrişimsel sinir ağı tasarımı
NECATİ İNCEKARA
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiPiri Reis ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDEM BİLGİLİ
- Convolutional neural networks for classification of Alzheimer's disease and mild cognitive impairment from 3D brain MRI images
Başlık çevirisi yok
ANAS ALSAYED
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ROWANDA D A AHMED
- A hybrid fuzzy logic and convolution neural network (FIS-CNN) for automatic detection and classification of objects in comet assay images
Comet test görüntülerinde nesnelerin otomatik algılanması ve sınıflandırılması için hibrit bulanık mantık ve dönüşümlü sinir ağı(FIS-CNN)
SHAYMAA ABDULHAFEDH SHAKİR AL-QAYSI
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH NAR