End-to-end tire defect detection model based on machine and deep learning techniques
Makine ve derin öğrenme tekniklerine dayalı uçtan uca lastik arıza tespit modeli
- Tez No: 903949
- Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Lastik güvenliğini sağlamak, hatalı lastiklerin patlama riski taşıdığı ve insan hayatını tehlikeye soktuğu göz önüne alındığında kritiktir. Lastiklerdeki anizotropik çoklu dokulu kauçuk katmanlarının karmaşıklığı, standartlaştırılmış bir lastik X-ışını görüntü veri setinin olmaması, otomatik hata tespiti için zorluklar yaratır. Bu tez, Transfer Öğrenme (TL), Evrişimli Sinir Ağları (CNN), Makine Öğrenmesi (ML) ve Görüntü Dönüştürücü teknikleri de dahil olmak üzere teknolojik ilerlemeleri kullanarak yenilikçi çözümler önermektedir. İlk çalışma, özellik çıkarma için Gri Seviye Eş Oluşum Matrisi (GLCM) kullanan bir ML tabanlı lastik hata tespit modeli tanıtır ve Destek Vektör Makinesi (SVM), Yapay Sinir Ağları (ANN), K-en yakın komşu algoritması (kNN), Karar Ağacı ve Lojistik Regreryon gibi sınıflandırıcıları kullanır. Sonuçlar, 235 hatalı lastik ve iki kusur tipini içeren 1276 uygun lastikten oluşan bir veri setine dayanarak, Yapay Sinir Ağları'nın geri çağırma, hassasiyet, F1 skoru ve doğruluk alanında üstünlüğünü vurgular. İkinci çalışma, 15 farklı tasarım deseni üzerinde 15 hata tipini kapsayan, yeni toplanan 3366 hatalı lastik ve 20000 uygun lastik görüntülerinden oluşan bir veri setini kullanarak Transfer Öğrenme (TL) kullanır. Dokuz önceden eğitilmiş modelin ince ayara (fine-tuning) tabi tutulduğu bu çalışmada, Xception modelinin geri çağırma, hassasiyet, doğruluk ve F1 skoru açısından üstün olduğu gözlemlenir. Üçüncü çalışma, Açıklanabilir Dikkat Tabanlı Birleşik Evrişimsel Sinir Ağı (XAFCNN) modelini tanıtır ve bu model, Kapsamlı Görsel Göstergeler için Grad-CAM ısıl haritasını kullanarak özel Dikkat Modülü (SAM) ile karakterize edilir. Bu model, 38710 kusurlu ve 83985 kusursuz lastik görüntülerinden oluşan ve farklı tasarım desenlerinde 15 kusur tipini kapsayan bir veri setine dayanarak, geri çağırma oranı, hassasiyet, F1 skoru ve genel doğruluk alanında sırasıyla %86,85, %98,5, %92,31 ve %95,40 değerleri ile dikkate değer bir performans sergiler. Son olarak, dördüncü çalışma, küresel özellikleri yakalamak için Özel Dikkat Modülü (SAM) ve yerel özellikleri çıkarmak için Vizyon Dönüştürücü (ViT) kullanarak bir hibrid Vizyon Dönüştürücü-CNN (ViT-CNN) modeli önerir. Bu model, geri çağırma oranı %95,48, hassasiyet %96,1, F1 skoru %95,79 ve genel doğruluk %97,33 değerleri ile üstün bir performans sergiler. İstatistiksel testler, önerilen ViT-CNN modeli ile bireysel modeller arasındaki önemli farkları doğrular; çeşitli lastik kusurlarını ve karmaşık dokuları tanıma konusundaki etkinliğini vurgular. Sonuç olarak, bu tez, endüstri ihtiyaçlarına uygun doğru ve güvenilir incelemeler sağlama konusundaki kapsamlı bir yaklaşım sunarak, yüksek hızlı sürüş senaryolarında insan güvenliğini nihai olarak artırır.
Özet (Çeviri)
Ensuring tire safety is crucial, given that defective tires pose a significant risk of explosive failures, endangering human lives. The intricate nature of anisotropic multi-textured rubber layers in tires, coupled with the absence of a standardized tire X-ray image dataset, creates challenges for automated defect detection. This thesis proposes innovative solutions by leveraging technological advancements, including Transfer Learning (TL), Convolutional Neural Networks (CNN), Machine Learning (ML), and Vision Transformer techniques. The first study introduces an ML-based tire defect detection model that utilizes Gray Level Co-occurrence Matrix (GLCM) for feature extraction, employing classifiers such as Support Vector Machine, Artificial Neural Network, kNearest Neighbors, Decision Tree, and Logistic Regression. Results highlight the superiority of the Artificial Neural Network, achieving 100%, 96%, 97.9%, and 99.34% in recall, precision, F1 score, and accuracy, respectively, based on a dataset of 235 faulty tires and 1276 qualified tires with two defect types. The second study employs TL, utilizing a newly collected dataset of 3366 X-ray images of faulty tires and 20000 images of qualified tires, covering 15 defect types across different design patterns. Nine pre-trained models are fine-tuned, with the Xception model outperforming in recall, precision, accuracy, and F1 score. The third study introduces an Explainable Attention-based Fused Convolutional Neural Network (XAFCNN) model, characterized by the incorporation of a Special Attention Module (SAM) and the utilization of Grad-CAM heatmap for comprehensive visual indicators. It achieved a recall rate of 86.85%, precision of 98.5%, F1 score of 92.31%, and an overall accuracy of 95.40% based on a dataset of 38,710 defective and 83,985 defect-free tire images, covering 15 defect types across different design patterns. Lastly, the fourth study proposes a hybrid Vision Transformer-CNN (ViT-CNN) model, which seamlessly integrates the Special Attention Module (SAM) for capturing global features and the Vision Transformer (ViT) for extracting local features from image patches. It exhibits superior performance with a recall rate of 95.48%, precision of 96.1%, F1 score of 95.79%, and an overall accuracy of 97.33%. Statistical tests confirm its effectiveness in identifying diverse tire defects and complex textures. In conclusion, this thesis provides a comprehensive approach to automated tire defect detection, addressing industry needs for accurate and reliable inspections, ultimately enhancing human safety in high-speed driving scenarios.
Benzer Tezler
- Görüntü işleme ile lastik üretiminde hata tespiti uygulaması
Fault detection application in tire production with image processing
AKIN BAHATTİN ŞEN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiKarabük ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELÇUK ÖZCAN
- Otomatik vezne makinaları (ATMs) ve uygulamaları
Autamated teller machines (ATMs) and applications
A. C. BANU ÇAĞLAR
Yüksek Lisans
Türkçe
1994
BankacılıkMarmara ÜniversitesiBankacılık Ekonomisi ve İşletmeciliği Ana Bilim Dalı
PROF. DR. METE DOĞRUER
- Kord teli uygulamalarına yönelik çeliklerin üretim ve sürekli döküm proses parametrelerinin optimizasyonu
Optimization of production and continuous casting process parameters of steels for cord wire applications
İLKER AYÇİÇEK
Doktora
Türkçe
2024
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURİ SOLAK
- Toplam kalite özdeğerlendirme modelinin satış fonksiyonlarına uygulanması
Başlık çevirisi yok
ATİK KULAKLI
- Metal infiltre edilmiş mikro poroz karbon kompozitlerin aşınma ve sürtünme davranışının karakterizasyonu
Başlık çevirisi yok
GÜLTEKİN GÖLLER
Doktora
Türkçe
1997
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN TEKİN