Geri Dön

Optik Elemanlar için Derin Öğrenme Algoritmaları ile Yüzey Hata Tespiti

Surface Defect Detection with Deep Learning Algorithms for Optical Elements

  1. Tez No: 777816
  2. Yazar: İBRAHİM ACAR
  3. Danışmanlar: PROF. DR. FIRAT HARDALAÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Lazer optiğinin yüzeyindeki kusurların tespiti, lazer cihazı kalitesi için büyük önem taşımaktadır. Bu nedenle lazer optiği, lazer cihazının her üretim aşamasında insan gözüyle denetlenmektedir. Kusurların tespiti için optik yüzeylerin görsel olarak incelenmesi zaman alıcıdır ve ayrıca tespit edilen kusurlar denetçiye bağlı olarak değişebilir. Zaman kaybını ve göreceli sonuçları ortadan kaldırmak için hata tespiti bilgisayarlar tarafından yapılmalıdır. Faster R-CNN (Faster Region-based Convolutional Neural Network), YOLO (You Only Look Once) ve SSD (Single Shot MultiBox Detector), nesne algılamada kullanılan hızlı ve doğru sonuçlar veren derin öğrenme algoritmalarıdır. Bu çalışmada YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, Faster R-CNN ResNet50 V1 640x640, Faster R-CNN ResNet101 V1 640x640, SSD MobileNet V2 FPNLite 320x320 ve SSD MobileNet V2 FPNLite 640x640 modelleri özel veri seti ile eğitilmiştir. Eğitimden sonra bu modeller CPU ile test edildi ve optik yüzeylerdeki kusurları tespit etme performansları karşılaştırıldı. YOLOv5n modeli CPU'da 20 FPS (Frames Per Second) ve %72 mAP (Mean Average Precision) değerine ulaşırken, SSD MobileNet V2 FPNLite 320x320 modeli 16 FPS ve %66,61 mAP değerine, Faster R-CNN ResNet50 V1 640x640 modeli 0,84 FPS ve %73,5171 mAP değerine ulaştı. Test sonuçlarına göre Yolov5n modeli, bu çalışmada test edilen diğer modellere kıyasla CPU üzerinde gerçek zamanlı yüzey hatası tespiti için optimum bulunmuştur.

Özet (Çeviri)

Detection of defects on the surfaces of laser optics is of high importance for laser device quality. For this reason, the laser optics are inspected by human eye at every production stage of the laser device. Visual inspection of optical surfaces for detection of defects is time consuming, and also the detected defects may differ depending on the inspector. In order to eliminate the loss of time and relative results, defect detection should be handled by computers. Faster R-CNN (Faster Region-based Convolutional Neural Network), YOLO (You Only Look Once) and SSD (Single Shot MultiBox Detector) are deep learning algorithms that provide fast and accurate results used in object detection. In this study, YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, Faster R-CNN ResNet50 V1 640x640, Faster R-CNN ResNet101 V1 640x640, SSD MobileNet V2 FPNLite 320x320 and SSD MobileNet V2 FPNLite 640x640 models were trained with custom dataset. After training these models were tested with CPU and their performances were compared to detect defects on optical surfaces. YOLOv5n model achieved 20 FPS (Frames Per Second) and 72% mAP (Mean Average Precision) value on the CPU, while the SSD MobileNet V2 FPNLite 320x320 model reached 16 FPS and 66.61% mAP value, Faster R-CNN ResNet50 V1 640x640 model reached 0.84 FPS and 73.5171% mAP value. According to test results, the Yolov5n model was found to be optimum for real-time surface defect detection on CPU compared to other models tested in this study.

Benzer Tezler

  1. Tez No

    986757

    Uzay uygulamaları için yetenekli uzaktan görüntüleme sistemleri

    Capable remote imaging systems for space applications

    ALPER ŞANLI

    Doktora

    Türkçe

    Türkçe

    2025

    Havacılık ve Uzay MühendisliğiMilli Savunma Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİM RÜSTEM ASLAN

  2. Tez No

    878119

    A deep-learning based model for visual depth and pose estimation of mobile robots

    Mobil robotların görsel derinliği ve poz tahmini için derin öğrenme tabanlı bir model

    ROZHIN FANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mekatronik MühendisliğiBahçeşehir Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET BERKE GÜR

  3. Tez No

    714774

    Spectral and spatial control of broadband light using wavefront shaping

    Dalga önü şekillendirme ile geniş bant ışığın spektral ve uzaysal kontrolü

    ALİM YOLALMAZ

    Doktora

    İngilizce

    İngilizce

    2022

    Fizik ve Fizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Mikro ve Nanoteknoloji Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. EMRE YÜCE

    DOÇ. DR. SELÇUK YERCİ

  4. Tez No

    953872

    Povscape: a research through design approach to anamorphic projection as a spatial game mechanic in impossible game spaces

    Povscape: imkânsız oyun mekânlarında anamorfik projeksiyonun mekânsal bir oyun mekaniği olarak kullanımına yönelik tasarım yoluyla araştırma yaklaşımı

    İREM AYDINDOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. SEMA ALAÇAM DOĞAN

  5. Tez No

    894137

    Deep compressıve mıcroendoscopy technology

    Derin şıkıştırılmış mikroendoskopi teknolojisi

    ZAFER ÇILGIN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Nörobilim Ana Bilim Dalı

    PROF. DR. ALPAN BEK

    DOÇ. DR. ŞEFİK EVREN ERDENER

Geri Dön