Geri Dön

Ahşap kusur tespiti için bilgisayar görüşü tabanlı makine öğrenimi yaklaşımı

A compuer vision based machine learning approach for wood defect detection

PDF İndir

  1. Tez No: 938355
  2. Yazar: KENAN KILIÇ
  3. Danışmanlar: PROF. DR. UĞUR ÖZCAN
  4. Tez Türü: Doktora
  5. Konular: Ağaç İşleri, Wood Products
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Ağaç İşleri Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 207

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

  1. Tez No

    882639

    Innovative computational techniques for accurate internal defect detection in trees: A stress wave tomography approach enhanced by machine learning

    Ağaçlarda iç kusurların doğru tespiti için yenilikçi hesaplamalı teknikler: Makine öğrenimi ile geliştirilmiş bir stres dalgası tomografi yaklaşımı

    ECEM NUR YILDIZCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURCU TUNGA

  2. Tez No

    353482

    Budak faktörüne göre kızılçam (Pinus brutia Ten.) ahşap döşeme tahtalarının kalite sınıfının görüntü işleme teknikleri kullanılarak belirlenmesi

    Determination using image processing techniques of quality classes of wood floorboards produced from red pine according to knot factor

    İBRAHİM ÇETİNER

    Doktora

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AHMET ALİ VAR

  3. Tez No

    872294

    Endüstriyel kalite güvence sisteminin geliştirilmesi ve bir bulaşık makinesi fabrikasına uygulanması

    Development of an industrial quality assurance system for a dishwasher plant

    MAKARIOS RAFAT EISA AZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SAFFET AYASUN

  4. Tez No

    870936

    Derin öğrenme ile ahşap yüzeylerde kusur tespiti

    Defect detection on wood surfaces with deep learning

    BURAK SEZER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HACI ÖMER DOKUMACI

  5. Tez No

    849255

    Hidrografik (su transfer) kaplama ve ultraviyole (UV) baskı işleminin mobilya yüzeylerinde kullanımının incelenmesi

    Investigation of the use of hydrographic coating (water transfer printing) and ultraviolet (UV) printing process on furniture surfaces

    SERDAR KAÇAMER

    Doktora

    Türkçe

    Türkçe

    2024

    Ağaç İşleriDüzce Üniversitesi

    Disiplinlerarası Kompozit Malzeme Teknolojileri Ana Bilim Dalı

    PROF. DR. MEHMET BUDAKÇI

Geri Dön