Derin öğrenme tabanlı mekanik yüzeylerdeki kusurların tespiti
Detection of defects on metal surfaces based on deep learning
- Tez No: 938760
- Danışmanlar: DOÇ. DR. UĞURHAN KUTBAY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Metal yüzeylerde üretim sırasında çeşitli faktörlere bağlı olarak farklı türlerde kusurlar oluşabilir. Bu kusurların tespiti, ürün kalitesi ve güvenilirliği açısından büyük önem taşır. Denetçiler tarafından yapılan manuel kontroller iş gücü kayıplarına ve kusurların gözden kaçırılma riskine yol açmaktadır. Derin öğrenme ve bilgisayarla görme yaklaşımlarıyla iş gücü süresinde ve kusur tespitinde iyileşmeler gözlemlenmiştir; ancak aydınlatma ve gürültü gibi faktörler metalik kusurların tespit oranlarını olumsuz etkilemektedir. Ayrıca, derin öğrenme için oluşturulan veri setlerinin büyük veri boyutları ve modellerin yüksek eğitim maliyetleri, depolama ve enerji verimliliği açısından olumsuz etkilere yol açmaktadır. Bu çalışmada, kusur tespit oranlarını artırmak, iş gücü kayıplarını azaltmak, veri boyutlarını küçültmek ve enerji verimliliğini artırmak için yeni bir yöntem önerilmektedir. Deneylerde, Northeastern Üniversitesi (NEU) yüzey kusuru veri tabanı ve model olarak MobileNetV2 mimarisi kullanılmıştır. Derin öğrenme modeli, hem işlenmemiş (NEU) veri tabanı hem de önerilen yöntemle oluşturulan veri tabanı kullanılarak ayrı ayrı eğitilmiştir. Veri setlerinin doğruluk oranları karşılaştırılmıştır. Önerilen yöntemde kusur tespiti için morfolojik işlemler, Gauss gürültüsü ekleme, temel bileşen analizi (PCA) ve Otsu eşikleme gibi görüntü işleme teknikleri kullanılmıştır. Model, yeni oluşturulan veri tabanı ile eğitilmiştir. Önerilen çalışma şekli uygulanarak %87 ortalama doğruluk oranı ile başarılı bir sonuç elde edilmiştir. Elde edilen sonuçlar, düşük veri boyutu ve enerji maliyeti ile kusurların otomatik olarak sınıflandırılmasını sağlamıştır. Bu otomasyon sayesinde işçilik kayıpları ve eğitim maliyetleri azaltılmıştır.
Özet (Çeviri)
Defects of various types may occur on metal surfaces during production due to different factors. The detection of these defects is of great importance in terms of product quality and reliability. Manual inspections conducted by inspectors lead to labor losses and increase the risk of defects being overlooked. Improvements in labor efficiency and defect detection have been observed through deep learning and computer vision approaches; however, factors such as lighting and noise negatively affect the detection rates of metallic defects. Additionally, the large data sizes of datasets created for deep learning and the high training costs of models pose challenges in terms of storage and energy efficiency. In this study, a novel method is proposed to improve defect detection rates, reduce labor losses, decrease data size, and enhance energy efficiency. In the experiments, the Northeastern University (NEU) surface defect database was used, along with the MobileNetV2 architecture as the model. The deep learning model was trained separately using both the raw NEU database and the dataset generated by the proposed method. The accuracy rates of the datasets were compared. In the proposed method, image processing techniques such as morphological operations, Gaussian noise addition, Principal Component Analysis (PCA), and Otsu thresholding were used for defect detection. The model was trained using the newly generated dataset. By applying the proposed approach, a successful result was achieved with an average accuracy rate of 87%. The obtained results enabled the automatic classification of defects with low data size and energy cost. Through this automation, labor losses and training costs were reduced.
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 Meyve Ayrıştırma Sistemi
Deep learning based fruit separation system
MUHAMMED TELÇEKEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP KUTLU
- Kamkat meyvesi için derin öğrenme tabanlı otonom hasat robotu
Deep learning based autonomous harvest robot for kumqat fruit
MEHMET DERSUNELİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAKUP KUTLU
- AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi
Machine learning and deep learning based modeling of aging and mechanical behavior in AA 7075 alloys
MÜJDE GÜZELGÜL
Yüksek Lisans
Türkçe
2025
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN KÖSE
- Learning based multiple input multiple output radar imaging
Öğrenme tabanlı çok girişli çok çıkışlı radar görüntüleme
KUDRET AKÇAPINAR
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR GÜRBÜZ ÜNLÜYURT
DR. NAİME ÖZBEN ÖNHON