Steel defect detection
Çelik kusur tespiti
- Tez No: 825778
- Danışmanlar: DOÇ. DR. FATİH NAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 97
Özet
Modern endüstriyel dünyada çelik çok önemli bir metaldir. Alet, makine, ticari araç, inşaat sanayi, savunma sanayi, uzay sanayi ve diğer birçok alanda birincil bileşen olarak hizmet vermektedir. Çelik, yüksek düzeyde dayanıklılığa sahip olması, herhangi bir kayba uğramadan geri dönüştürülebilmesi ve çok az enerji kullanılarak üretilebilmesi nedeniyle çok çeşitli kullanım alanlarına sahiptir. Çelik sektöründeki pazar rekabetinin üstünlüğü, çelik kalitesinden önemli ölçüde etkilenir. Bu nedenle çelik imalatında kaliteyi arttırmak için çeşitli teknikler sunulmaktadır. Bu tekniklerden biri de makine görüsü tabanlı gözlem sistemleri kullanılarak çelik yüzeylerdeki kusurların tespit edilmesidir. Çelik kusur tespiti, imalat sürecinde bir çelik üründe veya yapıda bulunabilecek kusurların yerlerini tespit etme ve tanımlama işlemidir. Bu çalışmada çelik yüzey kusurlarının tespitini incelendi. Öncelikle kullanılan veri setleri, uygulanan yöntemler ve tercih edilen yazılımlar analiz edildi. Seçilen çalışmaların tekrarlanabilir olması için SEVERSTAL: Çelik yüzey kusuru veri seti ve Northeastern Üniversitesi (NEU) yüzey kusuru veri seti gibi açık erişim veri setlerini kullanan makaleler seçildi. İkinci olarak, öğrenme aktarımı yöntemini kullanarak, PolyLoss adlı yeni bir kayıp fonksiyonunu derin öğrenme modelleri üzerindeki etkinliği ölçüldü. Öğrenme aktarımı methodunu uygulamak için yaygın olarak kullanılan MobileNet, Xception ve DenseNet169 ağları tercih edildi. Bu üç model NEU ve SEVERSTAL kullanılarak eğitildi. Kategorik çapraz entropi ve Polyloss çapraz entropi kayıp fonksiyonları kullanılarak üç modelin performansı değerlendirildi. Sonuçlar, Polyloss kullanılarak eğitilen modellerde hem NEU (MobileNet'te 0,94%, DenseNet169'da 1,01%, and Xception'da 0,71%) hem de SEVERSTAL (MobileNet'te 0,99%, DenseNet'de 1,84% ve Xception'da 0,31% ) doğruluğun arttığını göstermektedir.
Özet (Çeviri)
In the modern industrial world, steel is a crucial element. It is the primary component in various fields, including tools, machinery, commercial vehicles, the construction industry, the defense industry, the space industry, and others. Steel has a wide variety of uses because it has a high level of durability, can be recycled without suffering any loss, and can be produced using very little energy. The advantage of market competition in the steel sector is significantly influenced by steel quality. For this reason, various techniques are provided to increase the quality of steel manufacturing. One of these techniques is defect detection on steel surfaces using machine vision-based inspection systems. Steel defect detection is identifying and locating any defects that may exist on steel products during the manufacturing process. In this study, we examined the detection of steel surface defects. Firstly, we analyzed the datasets that were used, the methods that were implemented, and the software that was preferred. We have selected the articles that use the open-access datasets such as SEVERSTAL: Steel surface defect dataset, and the Northeastern University (NEU) surface defect dataset since we want the selected studies to be reproducible. Secondly, using the transfer learning method, we measured the effectiveness of a novel loss function named the PolyLoss function on deep learning models. Widely used MobileNet, Xception, and DenseNet169 networks were chosen to implement the transfer learning method. These three models were trained on the NEU and SEVERSTAL datasets. The three models' performances were evaluated using categorical cross-entropy and Polyloss cross-entropy loss functions. The results indicate that validation accuracy improves in models trained with both NEU (0.94% on MobileNet, 1.01% on DenseNet169, and 0.71% on Xception) and SEVERSTAL (0.99% on MobileNet, 1.84% on DenseNet169, and 0.31% on Xception) with using PolyLoss cross-entropy loss function.
Benzer Tezler
- İmalat sırasında malzeme yüzeyinde oluşan hataların makine öğrenmesi teknikleri ile belirlenmesi
The detection of defects on material surface occuring after production with machine learning techniques
KÜRŞAT DEMİR
Doktora
Türkçe
2024
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA AY
- Önerilen evrişimli sinir ağı kullanılarak metal plakaların yüzey kusur tespiti
Surface fault detection of metal plates using proposed convolutional neural network
MOHAMMED KHALED NAJI SALEH AL-DHAHERI
Yüksek Lisans
Türkçe
2025
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN YILDIRIM
- A MACHINE LEARNING APPROACH TO STEEL SHEET PRODUCTION SURFACE QUALITY
Rulo sac üretimi yüzey kalitesi makine öğrenmesi yaklaşımı
ASENA ÖZTÜRK
Yüksek Lisans
İngilizce
2025
Yönetim Bilişim SistemleriKadir Has ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET NAFİZ AYDIN
- A high-performance convolutional neural network for steel defects detection
Çelik kusurlarının tespiti için yüksek performanslı evrişimli sinir ağı
STEPHEN IKECHUKWU OKO-EGWU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN AKIN
- Design of a test setup for steel wire rope fatigue testing and development of an AI-based damage detection method
Çelik halat yorulma testi için bir test düzeneğinin tasarımı ve yapay zeka tabanlı hasar tespit yönteminin geliştirilmesi
MOHSEN SEYYEDİ
Yüksek Lisans
İngilizce
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT ERDEM İMRAK