Derin öğrenme yöntemi ile kumaş hatalarının otomatik tespiti ve sınıflandırılması
Automatic detection and classification of fabric defects with deep learning method
- Tez No: 892961
- Danışmanlar: DOÇ. DR. İPEK ATİK
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: GAZİANTEP İSLAM BİLİM VE TEKNOLOJİ ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 71
Özet
Günümüzde, tekstil endüstrisi sürekli büyüyen ve günler geçtikçe önemi artan bir sektör haline gelmiştir. Kaliteli ve hatalardan arınmış kumaşların üretimi, hem üreticiler hem de tüketiciler için büyük bir öneme sahiptir. Ancak, kumaş üretimi sürecinde hataların ortaya çıkması kaçınılmaz olabilir ve bu da hem maliyeti artırır hem de ürünlerin kalitesini olumsuz yönde etkiler. Bu nedenle, kumaş hatalarının erken aşamada tespit edilmesi ve müdahale edilmesi, tekstil endüstrisi için kritik bir ihtiyaç haline gelmiştir. Bu tez çalışmasında, topbaşı hatası, yağ lekesi hatası, iplik hatası ve delik hatası gibi hatalardan oluşan bir kumaş veri seti için YOLO temeli bir yapay zeka yöntemi ile etkin bir hata tespit sisteminin geliştirilmesi amaçlanmıştır. Bu çalışmada, daha önce kullanılmamış bir veri seti toplanmıştır. Veri seti, kumaş hatalarının tespiti amacıyla özel olarak oluşturulmuş ve mevcut literatürde yayınlanmış başka bir veri setinden de faydalanılmıştır. Her iki veri seti birleştirilerek 5590 görüntü den yeni bir veri seti elde edilmiştir. İlk olarak veri setindeki tüm görüntüler için hata sınıfına ait etiketler belirtilmiştir. Daha sonra YOLO algoritmasının performansını iyileştirmek için sadece eğitim veri setindeki görüntüler veri arttırma yöntemleri ile sentetik olarak çoğaltılmıştır. YOLO algoritmalarının kumaş hatalarını tespit edebilme yeteneklerini değerlendirmek için bir takım deneysel çalışmalar Python programı ile gerçekleştirilmiştir. Yapılan deneysel analizlere göre modellerin ortalama hassasiyet (mAP), kesinlik (p) ve duyarlılık (R) performans ölçüleri başarı performans değerleri elde edilmiştir. Yapılan deneylerdeYOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, YOLOv7 ve YOLOv8s algoritmaları kullanılmıştır. Deneysel sonuçlara göre, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7 ve YOLOv8s modellerin verdiği sonuçları ise sırasıyla; %84, %84.5, %86, %85 ve %83 ortalama hassasiyet (mAP), %87, %87, %87.2, %86 ve %83.2 kesinlik (P), %83, %83.2, %84.6, %84 ve %83.2 duyarlılık (R) değerleri elde edilmiştir. Yapılan çalışmaların neticesinde en iyi sonucu Yolov5x modeli vermiştir %86 ortalama hassasiyet, %87.6 kesinlik ve %85.1 duyarlılık değerlerine ulaşmıştır. Çalışmanın sonuç kısımında ise YOLOv5x'in sonucu diğer modellerin sonuçları ile karşılaştırılmıştır ve iyileştirme değerleri hesaplanmıştır. Gelecekteki bölümlerde YOLO algoritması ve yapılan işlemlerden detaylı bir şekilde bahsedilmişitr.
Özet (Çeviri)
Nowadays, the textile industry has become a sector that is constantly growing and its importance increases day by day. The production of quality and defect-free fabrics is of great importance for both manufacturers and consumers. However, it may be inevitable for errors to occur during the fabric production process, which both increases the cost and negatively affects the quality of the products. Therefore, detecting and intervening in fabric defects at an early stage has become a critical need for the textile industry. In this thesis study, it is aimed to develop an effective defect detection system with an artificial intelligence method based on YOLO for a fabric data set consisting of errors such as ball head error, oil stain error, thread error and hole error. In this study, a data set that has not been used before was collected. The data set was created specifically for the detection of fabric defects and another data set published in the existing literature was also used. By combining both data sets, a new data set was obtained from 5590 images. First, labels for the error class are specified for all images in the data set. Then, to improve the performance of the YOLO algorithm, only the images in the training data set were synthetically reproduced using data augmentation methods. A number of experimental studies were carried out with the Python program to evaluate the ability of YOLO algorithms to detect fabric defects. According to the experimental analyses, the mean avrage precision (mAP), precision (P) and recall (R) performance measures of the models were obtained. YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, YOLOv7 and YOLOv8s algorithms were used in the experiments. According to the experimental results, the results given by the YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7 and YOLOv8s models are as follows; %84, %84.5, %86, %85, and %83 mean avrage precision (mAP), %87, %87, %87.2, %86, and %83.2 precision (P), %83, %83.2, %84.6, %84 and %83.2 recall (R) values were obtained. As a result of the studies, the Yolov5x model gave the best results, reaching %86 mean average percision, %87.6 precision and %85.1 recall values. In the conclusion part of the study, the result of YOLOv5x was compared with the results of other models and the improvement values were calculated. In the future parts of this study, YOLO runs and transactions are mentioned in detail.
Benzer Tezler
- Kumaş hatalarının derin öğrenme ile tespiti
Detection of fabric defects with deep learning
YASİN ERDOĞAN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiSüleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN ALTUNAY
- Image segmentation and texture mapping on pillows using fully convolutional neural networks
Konvolusyonal ağlar ıle görüntü sınıflandırma ve doku giydirme
EFE ÇAĞIN KAPTAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TARKAN AYDIN
- Effective discrimination of different particles including smoke, dusts, oil vapours and test aerosols using simple optical cell and machine learning techniques
Basit optik hücre ve makine öğrenimi teknikleri kullanılarak duman, toz, yağ buharı ve test aerosolleri dahil farklı partikül tiplerinin etkin olarak sınıflandırılması
OSMAN ÖZYURT
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYeditepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FETHİ İÇSEL OLCAYTUĞ
- Deep learning based fabric defect detection
Derin öğrenme temelli kumaş hatası tespiti
YAVUZ KAHRAMAN
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGaziantep ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPTEKİN DURMUŞOĞLU
- Dijital oyunlarda siber terörün yapay zekâ ile tespiti ve erişime engellenmesi
Detection and prevention of cyber terrorism in digital games using deep learning
AHMET EDİP ÇAPANOĞLU
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiAdli Bilişim Ana Bilim Dalı
DOÇ. DR. NURSEL YALÇIN