Endüstriyel üretim hatlarında yapay zekâ destekli kalite kontrol sisteminin geliştirilmesi
Development of artificial intelligence-supported quality control system in industrial production lines
- Tez No: 911594
- Danışmanlar: DOÇ. DR. GÖKAY BAYRAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: 84
Özet
Görüntü işleme teknolojisi, otomotiv başta olmak üzere bir çok sektörde kullanılmakta ve gün geçtikçe teknolojik altyapısı gelişmektedir. Özellikle imalat sektöründe, ürünlerin kalitesini sağlamak ve üretim süreçlerini optimize etmek için görüntü işleme sistemleri sıkça kullanılır. Üretilen parçaların yüzeylerinin incelenmesi, pürüzlülük, çatlaklar, delikler veya diğer kusurların tespit edilmesi için görüntü işleme teknolojisi kullanılmaktadır. Kamera sistemleri, ürün yüzeylerini yüksek çözünürlüklü görüntülerle tarar ve algoritmalar, belirlenen kriterlere uygun olmayan herhangi bir kusuru tespit eder. Üretilen parçaların boyutları ve geometrisi, görüntü işleme teknolojisi kullanılarak ölçülür. Kamera sistemleri, parçaların belirli ölçülere ve toleranslara uygun olup olmadığını kontrol eder ve herhangi bir sapma tespit ederse uyarı verir. Bunlara ek olarak montaj hattında, parçaların doğru monte edilip edilmediği, etiket doğruluğu ve benzeri bir çok üretim ve kontrol aşamasında görüntü işleme teknolojisi yaygın bir şekilde kullanılmaktadır. Bu tezde, makine öğrenmesi yöntemlerinden yararlanarak endüstriyel parçalar üzerindeki hataların saptanması ve sınıflandırılması için uygun yöntemlerin geliştirilmesi hedeflenmiştir. Öncelikle üretim hattındaki parçaların ölçümsel hatalarının bulunması amacı ile belirlenen toleranslara uygun bir kalite yapay görü kontrol sistemi geliştirilmiştir. Daha sonra parça üzerindeki çizik ve çapak problemleri için toplam 2650 adet görüntüden oluşan bir veri seti oluşturulmuştur. Bu veri setinde hatasız, çizik ve çapak olmak üzere 3 temel sınıf oluşturulmuştur. Veri setinin %80'i eğitim ve %20'si test olarak seçilerek sırasıyla DWT, CWT ve UWT dalgacık dönüşümü yöntemleri uygulanmıştır. Öznitelikleri elde edilen görüntüler farklı tip sınıflandırıcılara giriş olarak verilerek en uygun makine öğrenmesi yönteminin elde edilmesine çalışılmıştır. Öznitelik çıkarma işlemleri sonrasında, yapay sinir ağları, destek vektör makineleri, k-en yakın komşu ve karar ağacı gibi sınıflandırıcı metotları denenmiş ve test edilmiştir. Daha sonra, derin öğrenme yaklaşımı ile parça görüntülerinden elde edilen temel dokusal özellikler kullanarak daha ayırt edici özellikler elde edilmeye çalışılmıştır. Tez çalışması sonucunda, endüstriyel parçaların 0,003 ile 0,05 arası sapma ile boyutsal olarak kontrolleri gerçekleştirilmiştir. UWT ve DT kombinasyonu ile gerçekleştirilen makine öğrenmesi yöntemi ise %98,2 başarı ile endüstriyel parçalardaki görsel kusurları tespit edilerek sınıflandırma yapabilmiştir. Derin öğrenme sürecinde ise Gabor Filtresi ile elde edilen görüntüler YOLOv5 kullanılarak eğitilmiş, çizik ve çapak hatalarının yüksek doğruluk ile sınıflandırılması sağlanmıştır. Tez çalışmasında geliştirilen hem ölçüsel kontrol hem de yapay zekâ temelli kontrol yöntemleri, endüstriyel üretim hatları çıkışındaki parçaların kalite kontrolü için pratikte uygulanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Image processing technology is used in many industries, especially in the automotive sector, and its technological infrastructure continues to develop day by day. In the manufacturing sector, image processing systems are frequently utilized to ensure product quality and optimize production processes. Image processing technology is used to inspect the surfaces of manufactured parts and detect defects such as roughness, cracks, holes, or other imperfections. Camera systems scan product surfaces with high-resolution images, and algorithms detect any flaws that do not meet predetermined criteria. The dimensions and geometry of manufactured parts are measured using image processing technology. Camera systems check whether parts conform to specified dimensions and tolerances, issuing warnings in case of any deviation. In addition, image processing technology is widely used on assembly lines in various production and control stages, such as verifying whether parts are correctly assembled or ensuring label accuracy. This thesis aims to develop suitable methods for detecting and classifying defects on industrial parts by leveraging machine learning techniques. Initially, a vision-based quality control system was developed to identify dimensional defects in parts according to predefined tolerances. Subsequently, a dataset comprising 2,650 images was created to address issues such as scratches and burrs on parts. This dataset was divided into three main classes: defect- free, scratched, and burr-containing. 80% of the dataset was used for training, while 20% was reserved for testing. DWT, CWT and UWT methods were applied to the images. The features extracted from the images were fed into various types of classifiers to determine the most effective machine learning method. After the feature extraction process, classification methods such as artificial neural networks, support vector machines, k-nearest neighbors and decision trees were tested and evaluated. Subsequently, a deep learning approach was employed to obtain more distinctive features using the basic textural properties extracted from part images. As a result of the study, dimensional inspections of industrial parts were performed with deviations ranging between 0.003 and 0.05. The machine learning method implemented using a combination of UWT and DT achieved a 98.2% success rate in detecting and classifying visual defects in industrial parts. In the deep learning process, images obtained using Gabor filters were trained with the YOLOv5 model, enabling the high- accuracy classification of scratches and burrs. The methods developed in this thesis, including both dimensional control and AI-based defect detection, provide a practical and applicable solution for quality control of parts at the output stage of industrial production lines.
Benzer Tezler
- Robotik sistemlerin güvenliğinin doğrulanması ve onaylanması
Verification and validation of robotic systems's security
YUNUS SABRİ KIRCA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET YAZICI
- Endüstriyel üretim hatlarında az sayıda veri ile öğrenebilen görüntü işleme teknolojisi ile kusurlu ürün tespiti
Defected product detection in industrial assembly lines using image processing technology with limited data
ALİ AKYOL
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiHaliç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLKAY SARAÇOĞLU
- Characterization of Martens hardness with dead weight force application in macro range
Ölü ağırlık kuvvet uygulama yöntemi ile makro aralıkta Martens sertliği karakterizasyonu
CİHAN KUZU
Doktora
Türkçe
2024
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMET KÜRŞAT KAZMANLI
- Endüstriyel otomasyon sistemlerinde yapay zeka yöntemleri ile arıza tespiti
Fault detection in industrial automation systems with artificial intelligence methods
OĞUZHAN ÇÖMLEKCİ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEYİR ÖZCAN SEMERCİ
- Dördüncü sanayi devrimine uyum çalışmaları çerçevesinde batı Afrika ülkelerinin durumu: Benin örneği
The situation of west African countries within the framework of the adaptation work to the fourth industrial revolution: The case of Benin
NTCHA NATTA
Yüksek Lisans
Türkçe
2019
Siyasal Bilimlerİstanbul Üniversitesiİktisat Ana Bilim Dalı
YRD. DOÇ. ELİFE AKİŞ