Ahşap kusur tespiti için bilgisayar görüşü tabanlı makine öğrenimi yaklaşımı
A compuer vision based machine learning approach for wood defect detection
- Tez No: 938355
- Danışmanlar: PROF. DR. UĞUR ÖZCAN
- Tez Türü: Doktora
- Konular: Ağaç İşleri, Wood Products
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Ağaç İşleri Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünya çapındaki ağaç işleri endüstrilerinde kalite ve üretim süreçlerinde önemli bir konu olan ahşap kusur tespiti üzerine odaklanmaktadır. Farklı bilgisayarla görü tabanlı yaklaşımlar kullanılarak ahşap kusurlarının tespiti gerçekleştirilmiştir. İlk olarak, optimize edilmiş ESA (Evrişimsel Sinir Ağı) mimarileri ve transfer öğrenme yaklaşımı ile ahşap kusur tespiti yapılmıştır. İkinci olarak, öznitelik çıkarma yöntemleri ve klasik makine öğrenme sınıflandırma algoritmaları ile kusur tespiti gerçekleştirilmiştir. Üçüncü olarak ise, optimize edilmiş ESA mimarisi ile öznitelik çıkarılmış ve klasik makine öğrenme sınıflandırma algoritmaları ile sınıflandırma yapılmış hibrit bir yaklaşım kullanılmıştır. Birinci aşamada, optimize edilmiş ESA mimarileri olan VGG-16, MobileNet, DenseNet-121, ResNet-50, Xception ve InceptionV3 kullanılmıştır. Ayrıca, bu mimarilere en uygun optimizasyon algoritmasını belirlemek için farklı optimizasyon algoritmaları test edilmiş ve farklı nöron sayılarının (256, 512, 1024, 2048) gösterdiği performanslar belirlenmiştir. İkinci aşamada, öznitelik çıkarma yöntemleri olarak LBP (Local Binary Patterns), HOG (Histogram of Oriented Gradients), GLCM (Gray-Level Co-occurrence Matrix), GABOR, SOBEL ve MB-LBP kullanılmış ve klasik makine öğrenme sınıflandırma algoritmaları olarak Random Forest, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Naive Bayes, Logistic Regression, Gradient Boosting, XGBoost, LightGBM, CatBoost, AdaBoost, ve MLP (Multilayer Perceptron) performansları değerlendirilmiştir. Üçüncü aşamada ise, ESA ile öznitelik çıkarımı yapılıp, bu öznitelikler klasik makine öğrenme sınıflandırma algoritmaları ile sınıflandırılmıştır. Hibrit yaklaşım ile %99,32 en yüksek doğruluk oranı, optimize edilmiş ESA mimarileri ile %97,57 doğruluk ve öznitelik çıkarımı ve klasik makine öğrenme algoritmaları ile kusur sınıflamada %96,75 doğruluk oranı elde edilmiştir. Sonuç olarak, bu çalışmada bilgisayarlı görü tabanlı ahşap kusur tespiti yöntemleri değerlendirilmiş ve ahşap malzemelerde yüksek doğruluk oranlarıyla kusur tespiti yapılabilirliği gösterilmiştir. Bu yaklaşımların ağaç işleri endüstrisinde kullanılması, üretim süreçlerini hızlandırabilir, malzeme israfını önleyebilir ve genel olarak endüstriyel uygulamalarda daha etkili bir üretim sağlanabilir.
Özet (Çeviri)
It focuses on wood defect detection, an important issue in quality and manufacturing processes in woodworking industries worldwide. Wood defects are detected using different computer vision-based approaches. First, wood defect detection is performed using optimized CNN (Convolutional Neural Network) architectures and transfer learning approach. Second, defect detection is performed using feature extraction methods and classical machine learning classification algorithms. Third, a hybrid approach is used in which features are extracted with optimized CNN architecture and classification is performed using classical machine learning classification algorithms. In the first stage, optimized CNN architectures VGG-16, MobileNet, DenseNet-121, ResNet-50, Xception and InceptionV3 are used. Furthermore, different optimization algorithms are tested to determine the most suitable optimization algorithm for these architectures and the performances of different neuron numbers (256, 512, 1024, 2048) are determined. In the second stage, LBP (Local Binary Patterns), HOG (Histogram of Oriented Gradients), GLCM (Gray-Level Co-occurrence Matrix), GABOR, SOBEL and MB-LBP were used as feature extraction methods and the performances of Random Forest, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Naive Bayes, Logistic Regression, Gradient Boosting, XGBoost, LightGBM, CatBoost, AdaBoost, and MLP (Multilayer Perceptron) as classical machine learning classification algorithms were evaluated. In the third stage, feature extraction was performed with CNN and these features were classified with classical machine learning classification algorithms. The highest accuracy rate of 99.32% was obtained with the hybrid approach, 97.57% accuracy with optimized CNN architectures and 96.75% accuracy rate in feature extraction and defect classification with classical machine learning algorithms. As a result, in this study, computer vision-based wood defect detection methods were evaluated and it was shown that defect detection in wood materials with high accuracy rates can be done. The use of these approaches in the woodworking industry can speed up production processes, prevent material waste and provide more effective production in industrial applications in general.
Benzer Tezler
- Geleneksel konutlarda ahşap yapı konstrüksiyonları Ankara Erzurum Mahallesi örneği
Başlık çevirisi yok
MUALLA KALFAGİL
- Doğu Karadeniz konut mimarisinde süsleme üzerine bir inceleme
Başlık çevirisi yok
SUAT İSKENDER
Yüksek Lisans
Türkçe
1987
MimarlıkKaradeniz Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. KUTSAL ÖZTÜRK
- Ahşap pencere üretiminin Türkiye'deki problemleri ve çözüm önerileri
The Problems and effective solution of production wood windows used in Turkey
MEHMET ORHAN
- Otomotiv sanayiinin uluslararasılaşma süreci ve Türkiye otomotiv sanayiinin konumu
Başlık çevirisi yok
MEHMET ŞİŞMAN
Yüksek Lisans
Türkçe
1988
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiUluslararası İktisat Ana Bilim Dalı
DOÇ. DR. NAZIM ENGİN