Derin öğrenme ile görüntü işleme: Endüstriyel parça üretiminin derin öğrenme sayesinde yüzey hata tespiti
Image processing with deep learning: Surface defect detection of industrial parts manufacturing thanks to deep learning
- Tez No: 779831
- Danışmanlar: PROF. DR. BÜLENT SEZEN
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 110
Özet
Verilerden bilgi türetme, deneyimleme, öğrenme ve karar verme şeklimizin merkezinde yer almaktadır. Makine öğrenimi ve veri bilimi ardışık düzenleri, yüksek enerji, astronomi ve genetik dahil olmak üzere tüm alanlarda sürekli artan miktarda veriden bilgi çıkarmak için kapsamlı bir şekilde uygulanmaktadır. Bu işlem hatları, veriler üzerinde birden çok aşamadan oluşmaktadır. Bunlar, model tasarımı, eğitim ve test aşaması olarak ayrılmaktadır. Farklı aşamaların kendi algoritmaları ve teknikleri bulunmaktadır, ancak ortak bir zorluğu paylaşmaktadırlar. Bu zorluk, büyük veri kümeleri üzerinde tekrarlanan hesaplamaları içermektedir. Bu darboğaz, makine öğrenimini yavaşlatmaktadır. Bu durum yalnızca gecikmeye duyarlı uygulamalar için değil, aynı zamanda bu darboğazın bir sonucu olarak, üretilen verilerin yalnızca bir kısmı işlenebilmekte, bu da daha düşük kaliteli modellere ve daha az kararlı sistemlere yol açmaktadır. Makine öğreniminin bir sonraki evresi derin öğrenme sistemleridir. Bu sistemler, dört kritik aşamada uygulanmaktadır. Bunlar, veri keşfi başta olmak üzere, model tasarımı, model eğitimi, model dağıtımı şeklinde devam etmektedir. Burada belirtilen bu süreçlerin en önemli unsuru, verinin olabilecek en yüksek hızda işlenmesidir. Bu çalışmada, karmaşık kusur modellerini otomatik olarak algılamak için derin öğrenme tabanlı bir görüntü işleme sistemi kullanılmıştır. Kurulan bu sistem ile, on farklı parça yüzeyi üzerinde, binden fazla görüntü ile piksel boyutunda karelere ayrılmış olan yüzey alanlarının, gri renk derinliğinde çözümlenmesi sağlanmıştır. Bu çözümleme aşamasına kısaca“k”parametresi denmektedir. Görüntülerden gri renk paleti seviyesinde çıkarılan renk değerleri, görüntü analizini oluşturmak için kullanılmıştır. Test aşaması süresince k parametresi, ilk olarak iki faktörlü enterpolasyon olmak üzere, üç faktörlü enterpolasyon yöntemi ile performans testine tabii tutulmuştur. Bir sonraki performans doğrulama aracı olarak, sinyal gürültü oranı değerleri baz alınarak, görüntü kenar pikselizasyon yöntemlerinden farklı on uygulama ile performans testleri tamamlanmıştır.
Özet (Çeviri)
Deriving knowledge from data is central to the way we experience, learn, and make decisions. Machine learning and data science pipelines are applied extensively to extract knowledge from an ever-increasing amount of data in all fields, including high energy, astronomy, and genetics. These pipelines consist of multiple stages for the data. These are divided into model design, training, and testing phases. The different stages have their own algorithms and techniques, but they share a common challenge. This challenge involves iterative computations on large datasets. This bottleneck slows down machine learning. This is not only for latency-sensitive applications, but as a result of this bottleneck, only some of the data generated can be processed, leading to lower-quality models and less stable systems. The next phase of machine learning is deep learning systems. These systems are implemented in four critical phases. These continue in the form of model design, model training, model distribution, and especially data exploration. The most important element of these processes mentioned here is the processing of data at the highest possible speed. In this study, a deep learning-based image processing system is used to automatically detect complex defect models. With this system, it has been ensured that the surface areas divided into pixel-sized squares with more than a thousand images on ten different part surfaces are resolved in gray color depth. This analysis step is called the“k”parameter for short. The color values extracted from the images at the grayscale color palette level were used to create the image analysis. During the testing phase, the k parameter was subjected to performance testing with the three-factor interpolation method, first with two-factor interpolation. As the next performance verification tool, performance tests were completed with ten different applications of image edge pixelization methods, based on signal-to-noise ratio values.
Benzer Tezler
- Joint calibration and reconstruction for focal plane array imaging
Odak düzlemi dizisi görüntüleme için birleşik kalibrasyon ve geriçatım
MUHAMMET UMUT BAHÇECİ
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Endüstriyel üretim hatlarında yapay zekâ destekli kalite kontrol sisteminin geliştirilmesi
Development of artificial intelligence-supported quality control system in industrial production lines
ELİF AYDAN BİKE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Termal görüntülerde derin öğrenme yaklaşımları ile elektrik arızalarının sınıflandırılması
Classification of electrical faults in thermal images via deep learning approaches
GÖNÜL SAKALLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN KOYUNCU
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Derin öğrenme destekli görüntü işleme teknikleri ile endüstriyel kesici takımların kalan ömürlerinin tahminlenmesi
Prediction of remaining life of industrial cutting tools with deep learning assisted image processing techniques
GİZEM ESER ERDEK
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. RECEP ERYİĞİT