Detection and classification of fabric defects with an innovative model and perspective
Kumaş hatalarının yenilikçi bir model ve bakış açısıyla tespit ve sınıflandırılması
- Tez No: 921060
- Danışmanlar: PROF. DR. CANAN SARIÇAM
- Tez Türü: Yüksek Lisans
- Konular: Tekstil ve Tekstil Mühendisliği, Textile and Textile Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Tekstil Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Tekstil Mühendisliği Bilim Dalı
- Sayfa Sayısı: 147
Özet
Küresel tekstil ve hazır giyim endüstrileri, kalite ve fiyat ile düzenlenen, küresel pazarın önemli ve yoğun rekabetin yaşandığı bir sektörü temsil etmektedir. Kumaş hataları ise hazır giyim ürünlerinin kalitesini önemli ölçüde etkilemektedir. Geleneksel kalite kontrol süreçleriyle gerçekleştirilen kumaş hatası tespiti hem zaman alıcı hem de insan görüşüne bağımlı olmaktadır. Bu nedenle, kumaş hatalarının tespit ve sınıflandırılmasında elde edilen doğruluk oranı genellikle %60 ile %75 arasında değişmektedir. Benzer şekilde, geleneksel yöntemlerle tespit edilemeyen hatalar, kumaşların değerinde %45 ile %65 arasında bir azalmaya neden olabilmektedir. Bu nedenle, kumaş hatalarının tespit edilmesi ve sınıflandırılması, piyasada kalite liderliği ya da fiyat rekabeti yoluyla rekabetçi kalmaya çalışan firmalar için kritik öneme sahiptir. Literatürde, kumaş hatalarının otomatik tespiti ve sınıflandırılmasına yönelik çeşitli çalışmalar bulunmakla birlikte, yapay sinir ağlarına (ANN) dayalı öğrenme tabanlı yaklaşımlar en yaygın kullanılan yöntemler arasında yer almaktadır. Bu yaklaşımlar içinde, sağladığı avantajlar nedeniyle derin öğrenme en sık tercih edilen yöntemlerden biri olarak öne çıkmaktadır. Kumaş hatalarının tespiti ve sınıflandırılmasına yönelik derin öğrenme tabanlı çalışmalar ise genellikle açık kaynaklı veya özel veri setlerine dayanmaktadır ve tanınmış derin öğrenme mimarilerinin yanı sıra yeni mimari önerilerini de içermektedir. Ancak, bugüne kadar hiçbir çalışma, dokuma ve örme kumaşların yapısal farklılıklarını kumaş hata tespit ve sınıflandırma modellerini tasarlarken özel olarak ele almamıştır. Literatürdeki bu eksikliği gidermek amacıyla , bu çalışmada Dokuma Kumaş veri seti, Örme Kumaş veri seti ve Dokuma-Örme Kumaş veri seti olmak üzere üç yeni veri seti geliştirmiş ve Evrişimli Sinir Ağları (CNN) kullanarak bir derin öğrenme mimarisi tasarlanmıştır. Çalışma kapsamında, açık kaynaklı bir veri seti (TILDA), tanınmış derin öğrenme mimarilerinin (VGG19, ResNet50, InceptionV3) performansını değerlendirmek ve en başarılı mimariyi seçerek özel bir CNN modeli tasarlamak amacıyla kullanılmıştır. Tasarlanan özel CNN modeli, yapısal parametrelerin belirlenmesi amacıyla üç faktörlü (modelin katman sayısı, evrişim katmanlarındaki nöron sayısı, evrişim katmanlarındaki filtre boyutu) ve iki seviyeli faktöriyel tasarım deneyleri ile optimize edilmiştir. Yapısal parametreleri belirlenen model, hiperparametrelerin etkisini analiz etmek amacıyla dört faktörlü (model eğitim iterasyon sayısı, öğrenme oranı, düşürme oranı (dropout rate) ve L2 düzenleme oranı (L2 regularization rate)) ve iki seviyeli faktöriyel tasarım yöntemi kullanılarak test edilmiştir. Testler sonucunda, tüm modellerin performansı hem performans ölçütleri hem de doğruluk/kayıp eğrileri üzerinden değerlendirilmiş ve en uygun model belirlenmiştir. Oluşturulan üç özel veri seti (Dokuma, Örme ve Dokuma-Örme Kumaş veri setleri) için de öncelikle yapısal parametrelerin belirlenmesine yönelik testler gerçekleştirilmiş, ardından seçilen model üzerinde hiperparametre optimizasyonu yapılmıştır. Benzer şekilde, her bir veri seti için en uygun model, performans ölçütleri ve doğruluk/kayıp eğrileri kullanılarak belirlenmiş, böylece tüm veri setleri arasında ortak ve en uygun modelin seçimi sağlanmıştır. Seçilen kumaş hata tespit ve sınıflandırma modeli, bir giriş katmanı, iki evrişim katmanı, bir maksimum havuzlama (max pooling) katmanı, bir düzleştirme (flattening) katmanı, üç tam bağlı (dense) katman ve öğrenme sürecinin başında ve sonunda aşırı uydurmayı (overfitting) önlemek amacıyla eklenen iki dropout katmanı içermektedir. Seçilen CNN modelinin hiperparametreleri arasında 3×3 evrişim filtresi boyutu, 2×2 havuzlama boyutu, 30 epoch, erken durdurma (early stopping) sabrı 30, ve aktivasyon fonksiyonları olarak ReLU ve Softmax yer almaktadır. Optimizasyon yöntemi olarak ADAM tercih edilirken, çok sınıflı (multiclass) sınıflandırma problemi olması nedeniyle kategorik çapraz entropi (categorical cross-entropy) kayıp fonksiyonu olarak kullanılmıştır. Aşırı uydurma riskini azaltmak amacıyla 0.2 ve 0.3 dropout oranları ile 0.03 L2 düzenleme oranı (L2 regularization rate) uygulanmıştır. Seçilen model, TILDA verisetinde %97,37 doğruluk, Dokuma Kumaş verisetinde %97,73 doğruluk, Örme Kumaş verisetinde %96,92 doğruluk ve Dokuma-Örme Kumaş verisetinde %98,36 doğruluk oranı elde etmiştir. Elde edilen tüm performans ölçütleri, literatürdeki çalışmalar doğrultusunda belirlenen beklentilerin üzerinde gerçekleşmiştir. Ayrıca, doğruluk/kayıp eğrileri incelendiğinde, modelin, CNN tabanlı modellerde yaygın olarak karşılaşılan aşırı uydurma problemini göstermediği tespit edilmiştir. Modelin, farklı kumaş hatası türlerini ve hatasız kumaşları tespit ve sınıflandırma yeteneğini değerlendirmek için karmaşıklık matrisi analizi yapılmıştır. Bu hatalar arasında“iplik hataları,”“delik ve kesik hataları,”“leke ve renk hataları”ve“kumaş yapısında yabancı cisim hataları”yer almaktadır. Analiz sonuçları, modelin“leke ve renk hataları”ile“hatasız”sınıflarını ayırt etmede oldukça başarılı olduğunu göstermektedir. Ayrıca, seçilen modelin tüm veri setleri üzerinde gerçekleştirilen sınıflandırmalarda yapmış olduğu tahminlerde başarılı bir performans sergilediği ortaya konmuştur. Bu sonuçlar, modelin kumaş türlerinin yapısal farklılıklarını dikkate alarak kumaş hatalarını etkili bir şekilde tespit etme ve sınıflandırma yeteneğine sahip olduğunu göstermektedir. Bu çalışma, literatüre iki yeni kumaş hatası veri seti oluşturarak ve kumaş türlerindeki farklılıkları dikkate alan özel bir CNN modeli tasarlayarak katkı sağlamıştır. Aynı zamanda, geliştirilen model, kumaş üreticileri için kumaş kontrol masaları üreten firmalar tarafından kullanılabileceği gibi, dokuma ve örme giyim üretimi yapan konfeksiyon üreticileri tarafından da kullanılabilecektir. Gelecekteki çalışmalarda, modelin farklı kumaş türleri ve tasarımları kapsayarak genelleştirme yeteneği ve performansını arttırmaya odaklanılacaktır. Sonuç olarak, bu çalışmada, dokuma ve örme kumaş tipleri için, yapısal farklılıkları dikkate alan özel bir CNN modeli başarıyla tasarlanmıştır. Çalışma, otomatik kumaş kalite kontrolü için gelecekteki araştırmalar ve endüstriyel uygulamalar için bir temel oluşturmaktadır.
Özet (Çeviri)
The global textile and ready-wear industries represent a substantial and highly competitive sector of the global market, regulated by both quality and price. Fabric defects significantly impact the quality of ready-wear items. Likewise, undetected defects during traditional quality control processes can lower the value of fabrics. Consequently, detecting and classifying fabric defects becomes crucial for companies aiming to remain competitive in the market, whether through quality leadership or price rivalry. While the literature includes various studies on fabric defect detection and classification, these often rely on open-source or custom datasets and employ well-known deep learning architectures or propose novel architectures. However, no study to date has specifically accounted for the structural differences between woven and knitted fabrics when designing models for fabric defect detection and classification. To address this gap, the present study developed two new datasets – the Woven Fabric dataset and the Knitted Fabric dataset – and designed a novel deep learning architecture using Convolutional Neural Networks (CNNs). As the study method, an open-source dataset (TILDA) was first utilized to evaluate well-known architectures (VGG19, ResNet50, InceptionV3) and inspire the design of a custom CNN model. This custom architecture was then optimized using 3-factor, 2-level factorial design experiments to refine structural parameters. The model's performance was validated on three custom datasets (Woven, Knitted, and Woven-Knitted Fabric datasets). Subsequently, the hyperparameters affecting model performance were optimized using a 4-factor, 2-level factorial design, and the model was revalidated on both open-source and custom datasets. The model was evaluated using additional metrics, including recall, precision, specificity, and F1-score, demonstrating superior performance. Training performance was analyzed using Accuracy/Loss curves, confirming no signs of overfitting. Furthermore, confusion matrixes indicated the model's effectiveness and robustness in classifying different defect classes. The final model achieved 97.37% accuracy on the TILDA dataset, 97.73% accuracy on the Woven Fabric dataset, 96.92% accuracy on the Knitted Fabric dataset, and 98.36% accuracy on the Woven-Knitted Fabric dataset. The results including recall, precision, specificity, and F1-score all suppressed the expected criteria. These results demonstrate the model's capability to detect and classify fabric defects effectively, accounting for the structural differences between fabric types. Future studies will focus on expanding the datasets to include more fabric types and design samples, aiming to enhance the model's generalization ability and performance across different fabric domains. In conclusion, this study successfully identified a custom CNN model suitable for both woven and knitted fabric types, considering their structural differences. It lays the foundation for future research and industrial implementation in automated fabric quality control.
Benzer Tezler
- Kumaş örüntülerinde bulunan tekli ve çoklu defoların makine öğrenmesi yöntemleri ile tespiti ve karşılaştırılması
Detection and comparison of single and multiple defects in fabric patterns using machine learning methods
ABDELRAHMAN ELSAYED ALY ELKASAS
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SİRAÇ ÖZERDEM
- Derin öğrenme ve görüntü işleme kullanılarak kumaş hatalarının tespit edilmesi ve sınıflandırılması
Detection and classification of fabric defects using deep learning and image processing
UĞUR CAN TOPÇU
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAydın Adnan Menderes ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. COŞKUN DENİZ
- Gerçek zaman-imge işleme temelli kumaş kalite kontrol sistemi
Real time-image processing based fabric quality control system
MEHMET ERDOĞAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Derin öğrenme yöntemi ile kumaş hatalarının otomatik tespiti ve sınıflandırılması
Automatic detection and classification of fabric defects with deep learning method
SAFA ZENHAR
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGAZİANTEP İSLAM BİLİM VE TEKNOLOJİ ÜNİVERSİTESİElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. İPEK ATİK
- Derin öğrenme algoritmalarını kullanarak kumaş kusurlarının tespiti ve sınıflandırılması
Detection and classification of fabric defects using deep learning algorithms
RECEP ALİ GEZE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYHAN AKBAŞ
DR. ÖĞR. ÜYESİ ABDULKADİR KÖSE