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
- Tez No: 816355
- Danışmanlar: DOÇ. DR. RECEP ERYİĞİT
- 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: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
Endüstriyel üretim sürecinde ham malzemeler büyük tezgahlar üzerinde farklı işlemlere tabi tutularak yeni ürünlere dönüştürülür. Bu dönüşüm sırasında tezgahlarda ham malzemenin işlenmesi için ihtiyaca yönelik kesici takımlar kullanılır. Ömrünü tamamlayan kesici takımlar işlediği ham malzemeye zarar verirler. Bunun yanında erken değiştirilen kesici takımlar verimsiz kullanıma yol açar. Her iki durumda da üreticiler maliyet, işgücü ve zaman kayıpları yaşarlar. Bu nedenle kesici takım ömrünü tahmin etmek bu kayıpları önlemek için önemlidir. Kesici takım ömrü malzemenin türü, yapısı, kalınlığı gibi faktörlere bağlı olarak değişir ve bu durum kalan ömür tahmininde belirsizliklere neden olur. Literatürde kalan ömür tahminine yönelik çalışmalar mevcut olmasına rağmen, kesici takımın ham malzemeye verdiği zarar üzerinden kalan ömrün tahminlenmesi konusunda deneysel inceleme eksikliği bulunmaktadır. Bu çalışma kapsamında havacılık sektöründe faaliyet gösteren bir şirketin delik delme tezgahı üzerinden alınan delik fotoğrafları kullanılmıştır. Fotoğraflar delik kalitesine göre beş sınıfa etiketlenmiştir. Bu problem sınıflandırma problemine dönüştürülerek derin öğrenme yöntemlerinden biri olan evrişimli sinir ağları ile çözülmeye çalışılmıştır. Çalışmada sıfırdan geliştirilen 18 katmanlı bir model, transfer öğrenme ile VGG16, ResNet50 mimarilerinin kullanıldığı modeller ve evrişimli sinir ağı ve destek vektör makinelerinin kullanıldığı hibrit model ile karşılaştırılmıştır. 18 katmanlı mimarinin diğer mimarilere kıyasla daha iyi sonuçlar verdiği tespit edilmiştir. Bu çalışmanın sonuçları, kesici takımların kalan ömrünün ham malzemeye verdiği zarar üzerinden tahmin edilebileceğini göstermiştir. Yapılan deneyler, derin öğrenme yöntemlerinin kesici takım ömrü tahmininde alternatif olarak kullanılabileceğini kanıtlar niteliktedir.
Özet (Çeviri)
In the industrial production process, raw materials are transformed into new products by being subjected to different processes on large benches. During this transformation, cutting tools are used to process the raw material on the benches. Cutting tools that have completed their lifespan damage the raw material they process. In addition, cutting tools that are changed prematurely lead to inefficient use. In both cases, producers experience loss of cost, labor and time. Therefore, estimating remaining life of cutting tool is important to avoid these losses. Cutting tool life varies depending on factors such as material type, structure, thickness, and this causes uncertainties in the remaining life estimation. Although there are studies on the residual life estimation in the literature, there is a lack of empirical investigation on the estimation of the remaining life based on the damage caused by the cutting tool to the raw material. Within the scope of this study, hole photos taken from the hole drilling machine of a company operating in the aerospace sector were used. Photos been labeled into five classes according to hole quality. This problem was transformed into a classification problem and tried to be solved by using convolutional neural networks, which is one of the deep learning methods. In the study, an 18-layer model developed from scratch was compared with models using transfer learning and VGG16, ResNet50 architectures, and a hybrid model using convolutional neural network and support vector machines. It has been determined that the 18-layer architecture gives better results compared to other architectures. The results of this study showed that the remaining life of the cutting tools can be estimated from the damage to the raw material. Experiments have proven that deep learning methods can be used as an alternative for remaining cutting tool life estimation.
Benzer Tezler
- KI67 labeling in gliomas with artificial intelligence
Yapay zeka ile gliomlarda KI67 işaretleme
CANER SONGÜL
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN GÖKHAN AKÇAY
- Derin öğrenme ve nesnelerin interneti kullanılarak insan yüz tipine göre mobil destekli gözlük öneri sisteminin gerçekleştirilmesi
Implementation of a mobile supported glasses recommendation system according to human face type using deep learning and internet of things
HASAN TEZCAN
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiIsparta Uygulamalı Bilimler ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. BEKİR AKSOY
- Assessing the impact of super-resolution on enhancing the spatial quality of historical aerial photographs
Tarihi hava fotoğraflarının mekansal kalitesini artırmada süper-çözünürlüğün etkisinin irdelenmesi
ABDULLAH HARUN İNCEKARA
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Derin öğrenme temelli karar destek sistemleriyle lomber spinal dar kanal analizi
Lumbar spinal stenosis analysis with deep learning based decision support systems
SİNAN ALTUN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ALKAN
- Glaucoma disease detection using image processing and machine learning approach
Görüntü işleme ve makine öğrenme yaklaşımıyla glokom hastalığının tespiti
HUSSEIN ALAA MOHAMMED ATTAR BASH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN