Geri Dön

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

PDF İndir

  1. Tez No: 816355
  2. Yazar: GİZEM ESER ERDEK
  3. Danışmanlar: DOÇ. DR. RECEP ERYİĞİT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Tez No

    673271

    KI67 labeling in gliomas with artificial intelligence

    Yapay zeka ile gliomlarda KI67 işaretleme

    CANER SONGÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN GÖKHAN AKÇAY

  2. Tez No

    889121

    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

    Türkçe

    2024

    Mekatronik MühendisliğiIsparta Uygulamalı Bilimler Üniversitesi

    Mekatronik Ana Bilim Dalı

    DOÇ. DR. BEKİR AKSOY

  3. Tez No

    876522

    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

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  4. Tez No

    798126

    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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ALKAN

  5. Tez No

    768201

    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

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN

Geri Dön