Tekstil kusur tespiti için derin öğrenme uygulaması
Deep learning application for textile defect detection
- Tez No: 816250
- Danışmanlar: DOÇ. DR. ŞAHİN IŞIK
- 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: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Donanımı Bilim Dalı
- Sayfa Sayısı: 76
Özet
Kumaşın hatalı üretimi, tekstil firmalarının ekonomisini ve prestijini olumsuz yönde etkilemektedir. Kumaştaki hataların tespiti için literatürde birçok yöntem geliştirilmiştir. Ancak literatürde hatalı ve hatasız kumaşlar üzerine yeterli sayıda veri seti bulunmamaktadır. Bu nedenden dolayı tez çalışmamızda, yüksek oranlarda başarılı sınıflandırma elde etmek için bir dizi derin öğrenme modelleri ile birlikte yeni veri setlerinin verimliliğinin araştırılması amaçlanmıştır. Çalışmada FBRIC-1-mini ve FBRIC-2 olmak üzere iki veri seti oluşturulmuş olup bu veri setleri üzerine iki farklı çalışma gerçekleştirilmiştir. İlk çalışmada, hatalı ve hatasız olmak üzere iki sınıfı bulunan FBRIC-1-mini veri seti üzerinden EfficientNetv2m, Seresnet152d ve Ecanfnetl0 transfer öğrenme modelleri karşılaştırılmış ve topluluk öğrenme yöntemi kullanılarak doğruluk oranının artırılmasına odaklanılmıştır. Deney sonucunda, test verileri üzerinden topluluk öğrenme yöntemi ile %95,58 doğruluk, %99,17 kesinlik, %91,92 duyarlılık ve %95,41 F1-skor değerleri elde edilmiştir. İkinci çalışmada ise kumaştaki hata türlerine odaklanılmış ve FBRIC-2 veri seti oluşturulmuştur. FBRIC-2 veri seti üzerinden çoklu sınıflandırma işlemini gerçekleştirmek için EfficientNet ailesi, ResNet ailesi ve hafif evrişimsel sinir ağ modelimiz kullanılmış ve başarı oranları karşılaştırılmıştır. Çalışma sonunda yüksek doğruluk ile sınıflandırma işlemini EfficientNet ailesinden EfficientNetB4 modeli gerçekleştirmiş ve bu model ile test verileri üzerinde %99,62 doğruluk, %99,6 kesinlik, %99,6 duyarlılık ve %99,6 F1 skor değerleri elde edilmiştir.
Özet (Çeviri)
The faulty production of fabric negatively affects the economy and prestige of textile companies. Many methods have been developed in the literature for the detection of defects in the fabric. However, there are not enough data sets on faulty and faultless fabrics in the literature. For this reason, in our thesis, it is aimed to investigate the efficiency of new datasets with a group of deep learning models in order to achieve successful classification with high rates. In the study, two datasets, FBRIC-1-mini and FBRIC-2, were created and two different studies were carried out on these datasets. In the first study, EfficientNetv2m, Seresnet152d and Ecanfnetl0 transfer learning models were compared over the FBRIC-1-mini dataset, which has two classes, erroneous and error-free, and focused on increasing the accuracy rate by using ensemble learning. As a result of the experiment, 95.58% accuracy, 99.17% precision, 91.92% recall and 95.41% F1-score were obtained with the ensemble learning method. In the second study, the focus was on the types of defects in the fabric and the FBRIC-2 data set was created. EfficientNet family, ResNet family and our lightweight convolutional neural network model were used to perform multi-classification on the FBRIC-2 dataset and their success rates were compared. At the end of the study, the EfficientNetB4 model from the EfficientNet family performed the classification process with high accuracy, and with this model, 99.62% accuracy, 99.6% precision, 99.6% recall and 99.6% F1 score values were obtained on the test data.
Benzer Tezler
- Deep learning based fabric defect detection
Derin öğrenme temelli kumaş hatası tespiti
YAVUZ KAHRAMAN
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGaziantep ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPTEKİN DURMUŞOĞLU
- Derin öğrenme yöntemleri ile metalik yüzeylerde kusur tespiti ve sınıflandırılması
Defect detection and classification on metallic surfaces using deep learning methods
FEYZA SELAMET
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR
- Endüstriyel ürünlerin yüzey kusurlarının görüntü işleme ile algılanması ve tanımlanması
Detection and identification of surface defects of industrial products with image processing
MUHAMMED ALİ NUR ÖZ
Doktora
Türkçe
2022
Mühendislik BilimleriYıldız Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR TURAY KAYMAKÇI
DR. ÖĞR. ÜYESİ MUHARREM MERCİMEK
- Makine öğrenmesi yaklaşımları kullanılarak denim kumaşlarda kusur tespiti
Defect detection in denim fabrics using machine learning approaches
ZEYNEP PINAR
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SUHAP ŞAHİN
- The impact of product recall message on financial value
Ürün geri çağırma mesajının finansal değer üzerine etkisi
FATMA HİLAL ERGEN KELEŞ
Doktora
İngilizce
2019
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. KEMAL BURÇ ÜLENGİN