Geri Dön

Derin öğrenme ile elektronik bileşen tespiti

Electronic component detection with deep learning

  1. Tez No: 860036
  2. Yazar: İBRAHİM KAYA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EMEL SOYLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Samsun Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

Elektronik bileşenlerin tanınması, endüstriyel otomasyon, kalite kontrol ve atık yönetimi gibi çeşitli alanlarda büyük önem taşımaktadır. Üretim süreçlerini optimize etmek, ürün kalitesini artırmak ve bakım prosedürlerini iyileştirmek için elektronik bileşenlerin doğru ve verimli bir şekilde tanımlanması gerekmektedir. Bu araştırma, elektronik bileşen tanıma için yeni nesne algılama modellerinin etkinliğini değerlendirmektir. YOLO algoritmasının YOLOv5 ve YOLOv8 gibi farklı sürümleri de dahil olmak üzere çeşitli modeller üzerinde kapsamlı bir karşılaştırmalı analiz gerçekleştirilmiştir. Nesne tanıma modellerini değerlendirmek için, farklı boyutlarda, türlerde ve yönlerde elektronik bileşenler içeren büyük bir veri kümesi üzerinde her model için titiz bir eğitim ve ayarlama gerçekleştirilmiştir. Araştırma sonuçları, elektronik bileşen tanıma alanında her bir modelin avantaj ve dezavantajlarını kapsamlı bir şekilde ortaya koymaktadır. Bu çalışma, belirli uygulamalar için en uygun modeli arayan elektronik endüstrisi profesyonelleri için değerli bir araç sağlayarak nesne tanıma tekniklerinin anlaşılmasını geliştirmektedir. Yapılan çalışma sonucunda YOLOv8x modeli ile 0.948 kesinlik, 0.917 mAP50, 0.828 mAP50-95 ve 0.878 F1 skoru elde edilmiştir. Ayrıca, YOLOv8m modeli kullanılarak 0.843 duyarlılık değeri elde edilmiştir. Bu başarılar, önerilen modellerin elektronik bileşen tanıma görevinde etkili olduğunu göstermektedir.

Özet (Çeviri)

The recognition of electronic components is of great importance in various fields such as industrial automation, quality control and waste management. Accurate and efficient identification of electronic components is required to optimise production processes, increase product quality and improve maintenance procedures. The aim of this research was to evaluate the effectiveness of new object detection models for electronic component recognition. A comprehensive comparative analysis was performed on several models, including different versions of the YOLO algorithm, such as YOLOv5 and YOLOv8. To evaluate the object recognition models, rigorous training and tuning was performed for each model on a large dataset containing electronic components of different sizes, types and orientations. The research results comprehensively demonstrate the advantages and disadvantages of each model in the field of electronic component recognition. This work improves the understanding of object recognition techniques by providing a valuable tool for electronics industry professionals looking for the most appropriate model for specific applications. As a result of the study, the YOLOv8x model achieved a precision of 0.948, mAP50 of 0.917, mAP50-95 of 0.828 and F1 score of 0.878. In addition, a sensitivity value of 0.843 was obtained using the YOLOv8m model. These results show that the proposed models are effective in the task of electronic component recognition.

Benzer Tezler

  1. Defect classification of electronic boards by deep learning

    Elektronik kartların derin öğrenme ile hata sınıflandırması

    DAMLA İLGEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TUĞBA ÖZACAR ÖZTÜRK

  2. Elektrokardiyografi sinyallerinin zaman frekans analizinden aritmi hastalığının uzun kısa süreli hafıza derin öğrenme modeli ile tespiti

    Detection of arrhythmia disease from time-frequency analysis of electrocardiography signals with long short-term memory deep learning model

    EMRE DEMİRTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER KASIM

  3. Transforming feedback control systems on whiteboard into Matlab via a deep learning based intelligent system

    Derin öğrenme tabanlı akıllı bir sistem ile beyaz tahtadaki geribeslemeli kontrol sistemlerinin Matlab ortamına aktarılması

    DORUKHAN ERDEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  4. Asenkron motorlarda çoklu hataların akım sıfır geçiş anı ile gerçek zamanlı tahmini

    Real-time estimate of multiple faults in induction motors with current zero crossing instants

    EYÜP ÇAKI

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜLKADİR ÇAKIR

  5. Derin öğrenme yöntemiyle düşük çözünürlüklü yüz görüntülerinden yüz ifadesi tespiti

    Facial expression detection from low resolution facial images with deep learning method

    GÖZDE SENA KARABAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mekatronik MühendisliğiFırat Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ÇAVAŞ