Derin öğrenme ile elektronik bileşen tespiti
Electronic component detection with deep learning
- Tez No: 860036
- Danışmanlar: DR. ÖĞR. ÜYESİ EMEL SOYLU
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Defect classification of electronic boards by deep learning
Elektronik kartların derin öğrenme ile hata sınıflandırması
DAMLA İLGEN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUĞBA ÖZACAR ÖZTÜRK
- 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
2022
Elektrik ve Elektronik MühendisliğiKütahya Dumlupınar Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER KASIM
- 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
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜLKADİR ÇAKIR
- 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
2023
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAVAŞ