Geri Dön

Detection of air bubbles from tire sherography images using machine learning and deep learning techniques

Makina öğrenmesi ve derin öğrenme teknikleri kullanarak, lastik sherografı resimlerinden lastik katmanları arasındaki hava kabarcıklarının tespitinin yapılması

  1. Tez No: 760285
  2. Yazar: NAGMY ALI ABDULGANI SALEH
  3. Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 77

Özet

Sürüş esnasında bir araçta yaşanabilecek lastik patlaması insan hayatını tehlikeye atabilecek sebeplerden biridir. Lastik patlamalarının en önemli nedenlerinden biri imalat esnasında lastiklerde hava kabarcıklarının bulunmasıdır. Bu alanda lastik imalat firmaları, lastik hata teşhisi konusunda uzmanlaşmış deneyimli operatörlerin kanaatine dayalı prosedürler geliştirmişlerdir. Ancak bu amaç hazırlanan prosedürler, çok sayıda eğitimli insan kaynağı gerektirmesi, teşhis esnasında uzun zaman alması ve yüksek masrafları gibi sebepler yüzünden, araştırmacıları alternatif yöntemler aramaya sevk etmiştir. Diğer taraftan teknolojik gelişmeler sayesinde, çeşitli teknikler kullanılarak lastik kusurlarının daha imalat aşamasında iken tespit edilmesini otomatik hale getirmek artık mümkün olmakta ve bu da insan hatalarından kaynaklanabilecek teşhis yanlışlık olasılığını azaltmaktadır. Yapılan çalışmada, lastik üretim süreçleri sırasında, lastiğin ıskarta edilmesine sebep olan katmanlar arasında kalmış olan hava kabarcıklarının tespitinin yapılması amaçlanmaktadır. Lastik katmanları arasında bulunabilecek hava kabarcıkları, lastiğin sırt kısmında veya yanak diye tanımlanan kısımlarında bulunabilmektedir. Hava kabarcıklarının tespiti, lastiğin pişirilme sürecinin ardından yapılmaktadır. Sağlıklı bir kontrol için henüz pişirme sürecinden çıkmış olan lastiğin, oda sıcaklığına kadar soğutulmuş olması ve kontrol makinasına girmeden önce çarpma şeklinde darbelere maruz kalmaması gerekmektedir. Bu durumda lastiğin yine belirli sürelerde bekletilmesi ve darbe kaynaklı oluşan etkinin geçmesi beklenmelidir. Tez çalışmasında veri olarak, lastik pişirme sürecinden sonra gerçekleştirilen ve kontrol makinalarından elde edilen, sherografik lastik resimleri kullanılmıştır. Kontrol makinalarında bu resmin elde edilmesi, lastik iç yüzeyinde (bazı kontrol makinalarında iç ve dış yüzeyinde beraber) lazer diyotlar ve iki adet kameranın 360 derece boyunca görüntü kaydetmesi ile gerçekleşmektedir. 360 derecelik ölçüm genellikle 45'er derecelik parçalara ayrılarak yapılmaktadır. Yapılacak olan çalışmada her 45 dereceye karşılık gelen resim bir veri olarak kullanılmıştır. Sherografi resminin elde edilmesi için, lastiğin kapalı bir alanda lazer ile yüzeylerinin taranarak aydınlatılması gerekmektedir. Bu sırada kamera tarafından görüntü alınması yöntemiyle veri elde edilir. Alınan ilk resimden sonra kapalı alan içerisinde bulunan lastik vakum etkisi altında bırakılır. Bu işlem eğer lastik içerisinde hava kabarcığı var ise bu hava kabarcığının hacminin artmasını sağlar. Bu işlem sonrası lazerler ve kamera sayesinde aynı lastik pozisyonunda ikinci bir resim daha alınır. İki resim birbirinden çıkarılarak, veri olarak kullanılacak olan sherografi resmi böylece elde edilmiş olur. Bu çalışma, hava kabarcıklı (kötü) olarak etiketlenmiş ve hava kabarcıksız (iyi) olarak etiketlenmiş shearografi görüntülerinin hava kabarcığı kusurlarını sınıflandırmak için bir model önerilmiştir. Çalışma iki aşamaya ayrılmıştır: İlk aşamada, Gri Düzey Birlikte Oluşum Matrisi, (Gray Level Co-Occurrence Matrix, GLCM), Gri Düzey Boyut Bölge Matrisi (Gray Level Size Zone Matrix, GLSZM) ve Gri Düzey Çalışma Uzunluğu Matrisi (Gray Level Run Length Matrix, GLRLM) olmak üzere üç tür doku özniteliğinin çıkarılması ile Çok Katmanlı Perseptron (Multi-Layer Perceptron, MLP), Rastgele Orman (Random Forest, RF) ve Gradyen Artırma (Gradient Boosting, GB) yöntemleri olmak üzere makina öğrenmesinden üç sınıflandırıcı kullanılmıştır. İkinci aşamada ise VGG16, VGG19, ResNet50, Xception ve DenseNet201 gibi çeşitli derin öğrenme modelleri ile transfer öğrenme gerçekleştirilmiştir. Kullanılan veri seti Pirelli Otomobil Lastikleri İzmit Fabrikasından elde edilmiş ve fabrikanın deneyimli uzmanları tarafından veriler etiketlenmiştir. Veri seti, lastik sırtının 1162 gerçek kesme görüntüsünden oluşmaktadır. Bu görsellerden 581 görsel 'iyi', 581 görsel ise 'kötü' olarak tanımlanabilecek sınıfa aittir. Makine öğrenmesi ve derin öğrenme tabanlı yöntemler ile gerçekleştirilen hata teşhis çalışmaları sonucunda, lastik katmanları arasındaki hava kabarcıklarının tahmin değerlerinin doğruluğunun, literatürdeki benzer çalışmalara göre daha iyi olduğu bulunmuştur.

Özet (Çeviri)

The tire explosion is one of the reasons that may endanger human life. One major cause of tire explosions is the existence of air bubbles in the tires. Recently, factories have relied heavily on operators who have previous experience with tire diagnostic procedures. This procedure requires a large number of trained human resources, and the fact that it takes time and entails certain expenses. Due to technological development, it is now possible to automate detecting tire defects using various techniques, reducing the possibility of human errors. The digital shearography technique is a method that helps to detect air bubbles in images that are usually invisible. This work proposes a model to classify air bubble defects for shearography images with air bubbles (labeled as bad) and without air bubbles (labeled as good). This study is divided into two stages. In the first stage, we used three classifiers from ML, which are MLP, RF, and Gradient Boosting classifiers with the extraction of three types of texture features, which are Gray Level Co-Occurrence Matrix (GLCM), Gray Level Size Zone Matrix (GLSZM), and Gray Level Run Length Matrix (GLRLM) texture features. In the second stage, we used transfer learning with several deep learning models such as VGG16, VGG19, ResNet50, Xception, and DenseNet201. The dataset used in this work was obtained and labeled with the help of the Pirelli Automobile Tires Izmit factory. The dataset consists of 1162 real shearography images of tire tread. Among these images, 581 images belong to the good class, while 581 images belong to the bad class. The obtained results showed that the recall and accuracy of the proposed model are competitive compared to those in the literature.

Benzer Tezler

  1. Deniz taşıtlarından yayılan gürültülerin negatif entropi kullanılarak çevrimsel izge analizi

    Cyclic spectral analysis via negative entropy for watercraft noise

    KAMİL UĞUR TUNCE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN AKGÜL

  2. Pedilen ayak görüntüleri üzerinde derin öğrenme yöntemleri kullanılarak hatalı ürün tespiti

    Faulty product detection using image deep learning methods on pedilen foot images

    MESUT HAKSES

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Yönetim Bilişim SistemleriAksaray Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. KEMAL ADEM

  3. Segmentation of skin cancer by using image processing techniques

    Görüntü işleme teknikleri kullanılarak cilt kanseri segmentasyonu

    AZHAR KASSEM FLAYEH FLAYEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. GÖRKEM SERBES

  4. Derin öğrenme yöntemi ile idrar sediment görüntülerindeki hücrelerin tespiti ve sınıflandırılması

    Detection and classification of cells in urine sediment images with deep learning method

    YUSUF AKBAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mekatronik MühendisliğiNecmettin Erbakan Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLHAN İLHAN

  5. Cam üretim hatalarının görüntü işleme tabanlı bulunması

    Glass defect detection with image processing

    ŞABAN ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BAYRAM AKDEMİR