Tekstil makinalarında kumaştaki üretim hatalarının tespiti
Fabric defect detection in textile manufacturing processes
- Tez No: 936943
- Danışmanlar: PROF. DR. HÜLYA GÖKALP CLARKE
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 169
Özet
Bu doktora çalışması, kumaş defolarının tespiti ve sınıflandırılması için yenilikçi yöntemler ve yapay zeka tabanlı modeller geliştirmeyi hedeflemiştir. Çalışma kapsamında, İstanbul'daki tekstil fabrikalarından toplanan 4.719 defolu örnek içeren zengin bir veri seti oluşturulmuştur. Dokuz farklı kumaş türü ve dört ana defo sınıfını kapsayan bu veri seti, yalnızca defo tespiti değil, aynı zamanda modellerin genelleme yeteneğini geliştirmek ve test etmek için önemli bir temel sağlamıştır. Ayrıca, büyük ve çeşitli veri setlerinin eksikliğini gidermek amacıyla Çekişmeli Üretici Sınır Ağı (Conditional Generative Adversarial Network - cGAN) geliştirilmiştir. Bu model, bir defo maskesi ve temiz kumaş görüntüsünü giriş olarak alarak gerçekçi sentetik defolu örnekler üretmiştir. U-Net tabanlı üretici ve PatchGAN tabanlı ayrıştırıcı kullanılarak oluşturulan model, 100 eğitim döngüsü (epok) boyunca eğitilmiş ve sentetik veri sağlama kapasitesini kanıtlamıştır. Deneysel sonuçlar, cGAN ile artırılmış veri setinin, derin öğrenme modellerinin performansını anlamlı şekilde iyileştirdiğini göstermektedir. Bunun yanı sıra, kumaş defolarının tespiti ve sınıflandırılması için hızlı ve yüksek doğruluğa sahip bir yapay zeka modeli geliştirilmiştir. Model, 256x256 piksel boyutundaki giriş görüntülerinden 64x64 piksel boyutunda tahmin maskeleri üretmekte, bu da hem işlem hızını artırmakta hem de kaynak verimliliği sağlamaktadır. Eğitim sürecinde kullanılan Beş Devirli öğrenme Oranı Planlayıcısı ve diğer farklı teknikler, hızlı yakınsama ve etkili öğrenme sağlamış, modelin doğruluğunu %96,37'ye, F1-ölçütünü ise %96.36'ya yükseltilmesine yardımcı olmuştur. Defo tespiti için geliştirilen model, yalnızca kumaş defosu tespiti ile sınırlı kalmayıp, nesne tespiti ve anlamsal bölütleme gibi farklı disiplinlerde de kullanılabilecek potansiyele sahiptir. Gelecekte, modelin genelleme kapasitesinin artırılması, daha karmaşık defo türleriyle eğitimi ve endüstriyel süreçlere daha geniş ölçekte entegrasyonu hedeflenmektedir.
Özet (Çeviri)
This doctoral study aimed to develop innovative methods and artificial intelligence-based models for detecting and classifying fabric defects. As part of the study, a rich dataset comprising 4,719 defective samples was collected from textile factories in Istanbul. Covering nine different fabric types and four main defect classes, this dataset provided a significant foundation not only for defect detection but also for improving and testing the generalization capabilities of the models. In addition, a Conditional Image-to-Image Translation Model (cGAN) was developed to address the lack of large and diverse datasets. This model generates realistic synthetic defective samples by taking a defect mask and a clean fabric image as input. Constructed using a U-Net-based generator and a PatchGAN-based discriminator, the model was trained for 100 epochs and demonstrated its capacity to provide high-quality synthetic data. Experimental results showed that the dataset augmented with cGAN significantly improved the performance of deep learning models. Furthermore, a fast and highly accurate artificial intelligence model was developed for detecting and classifying fabric defects. The model produces prediction masks of 64x64 pixels from input images of 256x256 pixels, which increases processing speed and resource efficiency. Techniques such as the Five-Cycle Learning Rate Scheduler employed during training facilitated rapid convergence and effective learning, raising the model's accuracy to 96.37% and its F1-Score to 96.36%. The developed model is not limited to fabric defect detection but also has the potential to be applied in other disciplines such as object detection and semantic segmentation. Future goals include enhancing the model's generalization capacity, training it with more complex defect types, and integrating it into industrial processes on a broader scale. This study aims to expand the impact of artificial intelligence in industrial applications, particularly in the textile industry.
Benzer Tezler
- Investigation of device for measuring sewability
Dikilebilirliğin ölçümü için cihaz geliştirilmesi
GÜLSÜM ÇAKICI
Yüksek Lisans
İngilizce
2013
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA KALAOĞLU
- Tekstil örgü makinalarında kullanılmak için alternatif örgü yağı geliştirilmesi
Developments of alternative knitting oi̇l in order to be used in textile knitting machines
DURDU UNCU
Yüksek Lisans
Türkçe
2019
Tekstil ve Tekstil MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TÜMER
- Synthesis and encapsulation of nanosilica with poly(AAm-ko-AMPS) and application on viscose fabric for pilling
Nanosilika sentezi ve poli(AAm-ko-AMPS) ile kapsüllenmesi,viskon kumaşların tüylenme sorununun giderilmesi
EBRU ÇELEBİ
Yüksek Lisans
İngilizce
2015
Kimyaİstanbul Teknik ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
PROF. DR. ABDÜLKADİR SEZAİ SARAÇ
- Türk hazır giyim sanayinin teknolojik düzeyi ve gelişen teknolojinin verimliliğine etkisi
Başlık çevirisi yok
NURGÜL ÇOBAN
- An Introduction to modeling of washing process in washing machines
Başlık çevirisi yok
NAZMİ ÖZTÜRK
Yüksek Lisans
İngilizce
1998
Kimya Mühendisliğiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. EKREM EKİNCİ