Alçı levha kenar kusurları için derin öğrenme destekli bir yaklaşım
A deep learning assisted approach for plasterboard edge defects
- Tez No: 931085
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA TEKE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Alçı levha üretiminde kullanılan kalite kontrol yöntemleri yoğun emek gerektiren, zaman alıcı ve insan hatasına açık süreçlerdir. Otomatik kusur tespit sistemleri derin öğrenme tekniklerini kullanarak, bu tür endüstriyel zorlukları çözmede ölçeklenebilir bir çözüm sunmaktadır. Bu çalışma, alçı levhalardaki kenar kusurlarını otomatik olarak tespit etmek için U-Net segmentasyon ve sınıflandırma modellerini kullanan, gerçek zamanlı endüstriyel uygulamalar için bir Raspberry Pi üzerinde uygulanabilir bir sistem geliştirmeyi amaçlamıştır. Önerilen sistem, alçı levha segmentasyonu için bir U-Net modeli kullanmakta ve GoogleNet, AlexNet, ResNet-50 ve Xception gibi dört derin öğrenme modelini sınıflandırma için değerlendirmektedir. Doğruluk, duyarlılık, özgüllük ve kesinlik gibi performans metrikleri analiz edilmiştir. Sistem, Python kullanılarak geliştirilen gerçek zamanlı görüntü yakalama performansı değerlendirmek üzere bir Raspberry Pi üzerinde uygulanmıştır. Segmentasyon modeli için eğitim ve doğrulama metrikleri hesaplanırken, sınıflandırma modelleri karmaşıklık matrisleri ve detaylı metrik karşılaştırmaları ile değerlendirilmiştir. U-Net modeli, %98,38'lik bir Dice Katsayısı ve %96,29'luk bir Ortalama Birliktelik Oranı (IoU) elde ederek sağlam segmentasyon yeteneklerini ortaya koymuştur. Sınıflandırma modelleri arasında GoogleNet, %88,8 ile en yüksek genel doğruluğu sergilerken, AlexNet %96,6 duyarlılıkta üstün başarı göstermiş ve ResNet-50 %98,2 özgüllük ile öne çıkmıştır. Bu çalışma, alçı levha üretiminde otomatik kusur tespiti için derin öğrenme tekniklerinin etkinliğini vurgulamaktadır. Segmentasyon ve sınıflandırma modellerinin Raspberry Pi gibi düşük maliyetli donanımlarla entegrasyonu, kalite kontrol için ölçeklenebilir, verimli ve pratik bir çözüm sunmaktadır. Bulgular, derin öğrenme ve gömülü sistem cihazlarının üretim süreçlerinde kusur tespiti konusunu kökten değiştirme potansiyelini ortaya koymaktadır.
Özet (Çeviri)
Quality control methods used in gypsum board production are labor-intensive, time consuming processes that are prone to human error. Automatic defect detection systems using deep learning techniques offer a scalable solution to address such industrial challenges. This study aimed to develop a system for the automated detection of edge defects in gypsum boards using U-Net segmentation and classification models, implemented on a Raspberry Pi for industrial applications. The proposed system utilizes a U-Net model for defect segmentation and evaluates four deep learning models GoogleNet, AlexNet, ResNet-50, and Xception for defect classification. Performance metrics such as accuracy, sensitivity, specificity, and precision were analyzed. The system was developed using Python and deployed on a Raspberry Pi to assess real-time image capture performance.Training and validation metrics for the segmentation model were computed, while classification models were evaluated using confusion matrices and detailed metric comparisons. The U-Net model achieved a Dice Coefficient of 98.38% and a Mean Intersection over Union (IoU) of 96.29%, demonstrating robust segmentation capabilities. GoogleNet exhibited the highest overall accuracy (88.8%) among the classification models, with AlexNet excelling in sensitivity (96.6%) and ResNet-50 achieving the highest specificity (98.2%). This study highlights the effectiveness of deep learning techniques for automated defect detection in gypsum board production. The integration of segmentation and classification models with low-cost hardware such as the Raspberry Pi provides a scalable, efficientl in industrial environments. The findings underscore the potential of deep learning and edge computing to revolutionize defect detection in manufacturing processes.
Benzer Tezler
- A study on the utilization of waste cement-bonded wood particle board as a raw material and a secondary fuel in cement manufacturing
Atık çimentolu yonga levhanın çimento üretiminde hammadde ve ikincil yakıt olarak kullanılması üzerine çalışma
MUSTAFA YILMAZ
Yüksek Lisans
İngilizce
2012
Mühendislik BilimleriOrta Doğu Teknik ÜniversitesiÇimento Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH ÖZTÜRK
PROF. DR. MUSTAFA TOKYAY
- Investigation of bim potentials on seismic resiliency of drywall systems during earthquake
Alçı levha bölme duvar sistemlerinin sismik tasarım ve montaj sürecinde yapı bilgi modelleme teknolojisinin potansiyellerinin araştırılması
DAMLANUR İLİPINAR
Yüksek Lisans
İngilizce
2019
MimarlıkOrta Doğu Teknik ÜniversitesiYapı Bilgisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BEKİR ÖZER AY
DR. ÖĞR. ÜYESİ MEHMET KORAY PEKERİÇLİ
- Atık alçı(levha)ların yapı ürünlerinde konu edildiği çalışmaların analizi
Analysis of the studies waste gypsum(board) in building products
ZEYNEP BEDİR
Yüksek Lisans
Türkçe
2021
MimarlıkGebze Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. CAHİDE NUR AYDIN İPEKÇİ
- Yapım şantiyesinde alçı levha kullanımı ve oluşan atıkların geri dönüşüm potansiyelinin araştırılması
Using of plasterboard on construction site and an investigation for the recycling potential of the generated wastes
HAYDAR AŞKIN ÖZDOĞAN
Yüksek Lisans
Türkçe
2020
MimarlıkGebze Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. CAHİDE NUR AYDIN İPEKÇİ
- Radyasyon zırhlama özellikleri yüksek alçı levha kağıt ve kartonu üretiminin araştırılması
Investigation of gypsumboard paper and cardboard production with high radiation shielding properties
TAMER SÖZBİR
Doktora
Türkçe
2024
Ağaç İşleriKahramanmaraş Sütçü İmam ÜniversitesiOrman Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET TUTUŞ