Çelik yüzey kusurlarının yapay zeka destekli tespiti
Artificial intelligence detection of steel surface defects
- Tez No: 927502
- Danışmanlar: DOÇ. DR. AYTAÇ ALTAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Zonguldak Bülent Ecevit Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Günlük hayatın önemli bir parçası haline gelen çelik, son kullanıcıya ulaşana kadar birçok zorlu faktörlerden geçmektedir. Çelik kusurlarının erken ve doğru tespit edilmesi ise, üretim süreçlerini optimize etmek, nihai ürün kalitesini iyileştirmek ve maliyetleri düşürmek açısından kritik önem taşımaktadır. Üretim sırasında mekanik, termal veya kimyasal faktörlerden kaynaklanan çelik yüzey kusurları, malzemenin yapısal bütünlüğünü ve performansını önemli ölçüde etkileyebilir. Bu tez çalışmasında galvaniz kaplı çelik üretimi öncesinde gerçekleşen asitleme, tandem ve galvaniz proseslerinin açıklaması yapıldı. Ardından soğuk hadde galvaniz kaplı çelik kusurlarından oluşan kirli alan, çizikler, kaynak çizgisi ve temiz çelik yüzey görüntüleri proses üzerinden toplanan kusur görüntülerinden oluşan veri seti kullanılarak soğuk haddelenmiş galvanizli çelikte, yüzey kusurlarının tespit edilmesi hedeflendi. Bu amaçla model iki aşamaya bölündü. İlk olarak, sınıflandırma doğruluğunu iyileştirmek için görüntüler üzerinde bulunan gürültü Gauss filtresi kullanılarak azaltılır. İkinci aşamada, gürültüden arındırılan görüntüler önceden eğitilmiş Evrişimli Sinir Ağı (Convolutional Neural Network CNN) tarafından işlenir. Kaynak, çizik, temiz ve kirli yüzeyleri temsil eden 3.400 yüzey kusuru görüntüsünden oluşan veri kümesi, modeli eğitmek için kullanıldı. Model daha sonra 600 görüntü üzerinde test edilmiş ve 10 kat çapraz doğrulama kullanılarak modelin performansı değerlendirilmiştir. Karışıklık matrisinden alınan sonuçlar neticesinde Gauss filtreleme uygulanmış Efficient-Net modeli %98,30'luk bir doğruluk elde edilmiştir. Bu yaklaşım, özellikle Gauss filtresinin ve Efficient-Net modelinin kullanımı, soğuk haddelenmiş galvanizli çelik üzerindeki yüzey kusurlarını etkili bir şekilde tespit ettiği görülmüştür. Gauss filtresinin performansı Medyan filtresinin performansıyla karşılaştırılırken, Efficient-Net mimarisi ise VGG-16 ve X-Ception mimarileri ile karşılaştırıldı.
Özet (Çeviri)
Steel, which has become an important part of daily life, goes through many challenging factors before reaching the end user. Early and accurate detection of steel defects is critical for optimizing production processes, improving the final product quality, and reducing costs. Surface defects in steel, which may result from mechanical, thermal, or chemical factors during production, can significantly affect the structural integrity and performance of the material. In this thesis, the pickling, tandem, and galvanizing processes that take place before the production of galvanized steel are explained. Subsequently, a dataset of defect images collected from the process—containing dirty areas, scratches, weld lines, and clean steel surface images of cold rolled galvanized steel was used to detect surface defects in cold-rolled galvanized steel. To achieve this, the model was divided into two stages. First, Gaussian filtering was used to reduce noise in the images in order to improve classification accuracy. In the second stage, the denoised images were processed by a pre-trained Convolutional Neural Network (CNN). A dataset of 3,400 surface defect images representing welds, scratches, clean, and dirty surfaces was used to train the model. The model was then tested on 600 images, and its performance was evaluated using 10-fold cross-validation. Based on the results obtained from the confusion matrix, the Gaussian-filtered Efficient-Net model achieved an accuracy of 98.30%. This approach, particulary the use of the Gaussian filter and the Efficient-Net model proved effective in detecting surface defects on cold-rolled galvanized steel. While the performance of the Gaussian filter was compared with that of the Median filter the Efficient-Net architecture was compared with VGG-16 and X-Ception architectures.
Benzer Tezler
- İmalat sırasında malzeme yüzeyinde oluşan hataların makine öğrenmesi teknikleri ile belirlenmesi
The detection of defects on material surface occuring after production with machine learning techniques
KÜRŞAT DEMİR
Doktora
Türkçe
2024
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA AY
- Derin öğrenme tabanlı görüntü sınıflandırma tekniklerinin kalite kontrol süreçlerinde uygulanması
Application of deep learning based image classification techniques in quality control processes
ZEKİ UMUT CİNDİLOĞLU
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHAR ÖZYÖRÜK
- Kendi kendini iyileştiren asfalt betonu kaplamalarda atık cüruflarin mikrodalga yöntemi ile kullanılabilirliğinin araştırılması
Investigation of the feasibility of using waste slags in self-healing asphalt concrete pavements via the microwave method
FATİH ERGEZER
Doktora
Türkçe
2025
UlaşımSüleyman Demirel Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAL TERZİ
- Novel approaches for protection of light metals under various wear conditions via micro arc oxidation process
Hafif metallerin mikro ark oksidasyon yöntemiyle farklı aşınma şartlarında korunmasına yönelik yenilikçi yaklaşımlar
FAİZ MUHAFFEL
Doktora
İngilizce
2021
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN ÇİMENOĞLU
- Lehim/mikro topçuk teknolojileri için mikroelektronik test yapılarından daisy chain test yapısı
The daisy chain structure, a microelectronic test structure for solder/micro ball technology
AHMET ŞAMİL ÇELİK
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiNecmettin Erbakan ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DOÇ. DR. MEHMET AKİF ERİŞMİŞ