Derin öğrenme tabanlı görüntü sınıflandırma tekniklerinin kalite kontrol süreçlerinde uygulanması
Application of deep learning based image classification techniques in quality control processes
- Tez No: 844137
- Danışmanlar: DOÇ. DR. BAHAR ÖZYÖRÜK
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 137
Özet
Üretim sektöründe ürün kalitesi ve işletmenin genel güvenilirliği, müşteriler için büyük bir önem arz etmektedir. Birçok işletme, bu kalite ve güven gereksinimleri karşılamak için, üretim süreci boyunca çeşitli kalite kontrol yöntemlerini kullanmaktadır. Ancak, mevcut süreçler çoğunlukla manuel olarak yürütülmekte ve bu durum, insan hataları, zaman kaybı ve düşük doğruluk gibi sorunlara yol açmaktadır. Bu zorlukların üstesinden gelmek ve hataların tekrarlanmamasını sağlamak için, sürekli öğrenen otomatik kontrol sistemlerinin kurulması, günümüz çağdaş işletmeleri için vazgeçilmez hale gelmiştir. Bu tez çalışmasında, çelik yüzeyler üzerinde bulunan kusurları otomatik bir şekilde sınıflandırmak ve yerini tespit etmek amacıyla çeşitli yapay zeka tabanlı modeller geliştirilmiştir. Çalışmada 12568 adet çelik yüzey görüntüsü içeren bir veri seti kullanılarak, bu görüntülerdeki hata türlerini tespit etmek ve sınıflandırmak için Convolutional Neural Network (CNN) tabanlı bir mimari geliştirilmiştir. Geliştirilen bu mimari, sınıflandırma konusunda literatürde yaygın olarak kullanılan LeNet, AlexNet, VGG16, VGG19 ve ResNet34 gibi mimarilerle çeşitli performans metrikleri açısından karşılaştırılmıştır. Ayrıca kusurların çelik üzerindeki yerini ve boyutunu da doğru bir şekilde belirleyebilmek için segmentasyon uygulaması gerçekleştirilmiştir. Segmentasyon sürecinde U-Net tabanlı farklı modeller eğitilmiştir ve sonuçlar karşılaştırmalı olarak sunulmuştur. Çalışmanın sonuçları, endüstriyel kalite kontrol süreçlerinde derin öğrenmenin potansiyel uygulamalarına dair faydalı bilgiler sunmaktadır.
Özet (Çeviri)
In the manufacturing sector, product quality and overall reliability of business hold significant importance for customers. Many businesses employ various quality control methods throughout the production process to meet these quality and reliability requirements. However, existing processes are predominantly carried out manually, leading to issues such as human error, time inefficiencies, and reduced accuracy. To overcome these challenges and prevent the recurrence of errors, the establishment of continuously learning automated control systems has become indispensable for contemporary businesses. In this thesis, various artificial intelligence-based models have been developed to automatically classify and locate defects on steel surfaces. Using a dataset containing 12568 steel surface images, an architecture based on Convolutional Neural Networks (CNN) was developed to detect and classify the types of defects present in these images. The developed architecture was compared with commonly used models in the literature such as LeNet, AlexNet, VGG16, VGG19, and ResNet34 in terms of various performance metrics. Additionally, a segmentation application was implemented to accurately identify the location and size of defects on the steel surfaces. Different models based on U-Net were trained in the segmentation process, and the results were presented comparatively. The outcomes of this study provide valuable insights into the potential applications of deep learning in industrial quality control processes.
Benzer Tezler
- A novel approach for hair removal in skin cancer images to enhance segmentation and classification performance.
Deri kanseri görüntülerinin sınıflandırma ve bölütleme performansını artırmak için kıl gidermede yeni bir yaklaşım
AYYAD ERRAJI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ZAFER İŞCAN
- Detection and classification of brown marmorated stink bug (Halyomorpha halys) damage in hazelnut using image processing and deep learning techniques
Görüntü işleme ve derin öğrenme teknikleri kullanarak fındıkta kahverengi kokarca (Halyomorpha halys) zararının belirlenmesi ve sınıflandırılması
OMSALMA ALSADIG ADAM GADALLA
Doktora
İngilizce
2023
ZiraatOndokuz Mayıs ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. YEŞİM BENAL ÖZTEKİN
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Hava araçlarından alınan görüntüler ile derin öğrenme tabanlı afet sınıflandırması
Deep learning based disaster classification with aerial images
EMRE GAZİ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET GÜRHANLI
- A deep learning based framework for identification of ship types using optical satellite images
Optik uydu görüntüleri kullanarak gemi tiplerinin imliklendirilmesi için derin öğrenme tabanlı yöntem
SERDAR KIZILKAYA
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL