Melez bir öğrenme yaklaşımı ile ek yeri proseslerinde anomali tespit ve sınıflandırma
Detection and classification of anomalies in the splice adding processes with a hybrid learning approach
- Tez No: 791053
- Danışmanlar: PROF. DR. OĞUZHAN URHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 52
Özet
Lastik imal süreçlerinin adımlarından biri olan kalenderleme metodunda farklı komponentler bir araya gelerek lastik için uygun tekstil veya çelik malzemelerin üretilmesini sağlanır. Kalenderleme işleminde lastik performans gruplarına göre kalınlıkları, dayanımları vb. fiziksel özellikleri seçilmiş olan tekstil veya çelik malzemeler özel haddeleme metoduyla kauçuk ile kaplanır. Ana malzemelerde oluşabilecek hatalar, kaplama kauçuğunun karakteri, proses parametrelerindeki değişkenlikler gibi sebepler ile zaman zaman üretimde hatalı ürün olarak tanımlanan özürlerin oluşmasına sebebiyet vermektedir. Ortaya çıkan bu hatalı ürünler yüksek performanslı ve güvenlikli lastiklerin üretilmesi için tespit edilerek ayıklanmalı ve lastiğe dönüşümü engellenmelidir. Özürlü olarak tanımlanan malzemelerin lastik pişme işleminden sonra tespit edilmesi gerek verim, enerji gerekse hammadde kaybına sebebiyet vermektedir. Bu çalışmada akan bir bant üzerindeki kalenderlenme prosesinde üretilen kauçuk kaplı tekstil malzemelerinin üretim aşamasında meydana gelebilecek hata veya özürlerin makine görüsü ile tespitine odaklanılmıştır. Çalışma kapsamındaki özürler; eksik kauçuk kaplama, mevcut bezler üzerindeki kırışıklık, bez bileşen ek yerlerindeki uygunsuz açıklık gibi fiziksel olarak tespit edilebilen olgulardır. Özür tespitlerinde geleneksel olarak nesne tespitinden faydalanılabilecekken bu çalışmada farklı bir yöntem önerilmiştir. Girdi olarak alınan görüntü ilk olarak denetimsiz bir anomali tespit modeline verilmektedir. Bu aşamada anomali bir durum tespit edildiği durumda girdi görüntüsü sınıflandırma modeline girmekte ve özür tipi tespit edilmektedir. Anomali tespitinde, otokodlayıcı modelin doğruluğu %94,1 seviyelerinde, sınıflandırıcı modelin doğruluğu ise %93,2 seviyelerindedir. Otokodlayıcı ve sınıflandırıcı modelini melez bir model olarak kullanıldığında %95,3'lük doğruluk elde edilmiştir. Özür tiplerinin sınıflandırılmasında, sınıflandırıcı modelin doğruluğu %91,5, melez modelin doğruluğu %91.9 olmaktadır
Özet (Çeviri)
In the calendering method, which is one of the steps of tire production processes, different components come together to produce suitable textile or steel materials for the tire. In the calendering process, the rubber is coated with rubber by special rolling method by using textile or steel materials that have suitable physical properties such as thickness and durability according to performance groups. Errors that may occur in the main materials, the character of the coating rubber, the variability in the process parameters, from time-to-time cause defects defined as faulty products in production. These faulty products should be detected and sorted out to produce high performance and safe tires, and they should be prevented from being a finished tire. Detecting the materials defined as faulty after the tire firing process causes loss of efficiency, energy, and raw material. In this study, the focus is on the machine vision detection of errors or defects that may occur during the production of rubber-coated textile materials produced in the calendering process on a conveyor belt. The defects observed within the scope of the study are the phenomena that can be detected physically such as missing rubber coating, wrinkles on the existing cloths, inappropriate opening in the cloth component joints. While traditionally object detection can be beneficial in fault detection, a different method has been proposed in this study. The image taken as input is first given to an unsupervised anomaly detection model. When an anomaly is detected in this stage, the input image enters the classification model, and the fault type is detected. In anomaly detection, the accuracy of the autoencoder model is 94.1%, and the accuracy of the classifier model is 93.2%. An accuracy of 95.3% was obtained when the autoencoder and classifier model was used as a hybrid model. In classification of fault types, the accuracy of the classifier model is 91.5%, and the accuracy of the hybrid model is 91.9%.
Benzer Tezler
- Gesture imitation learning in human-robot interaction
Taklit yolu ile hareket öğrenme ınsan robot etkileşimi
ITAUMA ISONG ITAUMA
Yüksek Lisans
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HATİCE KÖSE-BAĞCİ
- Makine öğrenmesi yöntemleri kullanılarak akıllı telefon tabanlı stres tespit sistemi geliştirilmesi
Developing smartphone based stress detection system using machine learning methods
ENSAR ARİF SAĞBAŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA SERDAR KORUKOĞLU
DOÇ. DR. SERKAN BALLI
- Makine öğrenmesi yaklaşımları kullanılarak EKG işaretlerinden aritmi teşhisi
Diagnosis of arrhythmia from ECG signs using machine learning approaches
ERSİN ERSOY
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ ERKAN BOSTANCI
- Gemi dizel motorunun kazanç programlamalı adaptive kontrolü
Gain scheduling adaptive model of a marine diesel engine
MELEK ERTOGAN
Yüksek Lisans
Türkçe
2003
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaat Mühendisliği Ana Bilim Dalı
PROF.DR. NAFİZ AYDIN HIZAL
- Deep hybrid recommender system
Derin hibrit öneri sistemi
DİDEM TÜRKER
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE ÖĞÜDÜCÜ