Derin öğrenme ile ahşap yüzeylerde kusur tespiti
Defect detection on wood surfaces with deep learning
- Tez No: 870936
- Danışmanlar: DR. ÖĞR. ÜYESİ HACI ÖMER DOKUMACI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 53
Özet
Ahşap kusurları, üretim ve kullanım aşamalarında önemli problemlere yol açabilir. Kusurların erken teşhisi ve sınıflandırılması, kalite kontrolü ve üretim verimliliği için kritik önem taşımaktadır. Bu çalışmada, ahşap kusur algılama için derin öğrenme yöntemlerinden biri olan YOLO (You Only Look Once) modelleri üzerinde durulmuştur. Farklı YOLO modelleri, 19727 adet fotoğraf ve sınırlayıcı kutudan (bounding boxes) oluşan, 5 adet kusur sınıfını (canlı budak, ölü budak, reçine, çatlak ve çatlaklı budak) içeren bir veri kümesi üzerinde eğitilmiştir. Çalışmada YOLOv5m, YOLOv7, YOLOv8s, YOLOv8m, YOLOv8l ve YOLOv8x modelleriyle nesne tespiti yapılmış ve modeller karşılaştırılmıştır. Çalışmanın amacı, farklı model ve eğitim parametreleri kullanarak en uygun modeli ve değişkenleri belirleyip tespit ile doğruluk skorunu artırmaktır. Bu sayede ahşap işleme endüstrisinde kullanıma uygun, yüksek doğrulukta ve verimli bir nesne tespiti sistemi geliştirilmesi hedeflenmektedir. Tüm modeller, kusur algılamada yüksek performans gösterirken en yüksek mAP50 değeri 0,822 ile YOLOv8m modeline ait AdamW optimizer'ı, 0.001 öğrenme hızı ve diğer farklı parametreler kullanılarak elde edilmiştir.
Özet (Çeviri)
Wood defects can lead to significant problems in production and usage stages. Early detection and classification of defects are crucial for quality control and production efficiency. In this study, YOLO (You Only Look Once) models, one of the deep learning methods for wood defect detection, are emphasized. Different YOLO models were trained on a dataset consisting of 19727 photos and bounding boxes, containing 5 defect classes (live knot, dead knot, resin, crack, and cracked knot). Object detection was performed with YOLOv5m, YOLOv7, YOLOv8s, YOLOv8m, YOLOv8l, and YOLOv8x models, and the models were compared. The aim of the study is to determine the most suitable model and variables by using different model and training parameters to increase the detection and accuracy score. Thus, the goal is to develop an object detection system suitable for use in the wood processing industry with high accuracy and efficiency. All models showed high performance in defect detection, while the highest mAP50 value of 0.822 was obtained with the YOLOv8m model using AdamW optimizer, a learning rate of 0.001 and other different parameters.
Benzer Tezler
- Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti
Object detection in GPR images with deep learning based methods
ORHAN APAYDIN
Yüksek Lisans
Türkçe
2023
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İŞSEVEN
- Kalite kontrol sistemi için derin öğrenme tabanlı bir model önerisi
A deep learning-based model proposal for a quality control system
YAREN ÇELİK
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiBaşkent ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BERNA DENGİZ
- Endüstriyel kalite güvence sisteminin geliştirilmesi ve bir bulaşık makinesi fabrikasına uygulanması
Development of an industrial quality assurance system for a dishwasher plant
MAKARIOS RAFAT EISA AZER
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAFFET AYASUN
- Bazal ganglıonların mıkrocerrahı ve ak madde dıseksıyonu ıle 3 boyutlu anatomısı
Başlık çevirisi yok
AHMET YAPRAK
Tıpta Uzmanlık
Türkçe
2024
AnatomiSağlık BakanlığıBeyin-Sinir ve Omurilik Cerrahisi Ana Bilim Dalı
PROF. HÜSEYİN HAYRI KERTMEN
- Osmanlı kündekâri zanaatının etnik- hesaplama yaklaşımı ile algoritmik tasarım olarak yeniden yorumlanması
Reimagining the Ottoman kundekâri craft as an algorithmic design with an ethnocomputational approach
DEFNE GÜL KAYAOĞLU YAMAN