Evrşimsel sinir ağları ile 3D CAD modeller üzerinde benzerlik analizi
Similarity analysis on 3D CAD models with convolutional neural networks
- Tez No: 941168
- Danışmanlar: DR. ÖĞR. ÜYESİ KORAY ALTUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Akıllı Sistemler Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
3D CAD (Bilgisayar Destekli Tasarım) modelleri üzerinde benzerlik analizi gerçekleştirmek amacıyla derin öğrenme tabanlı Evrişimsel Sinir Ağı (CNN) mimarileri olan ResNet50, EfficientNet, Xception, MobileNetV2, InceptionResNetV2 ve DenseNet121 detaylı bir şekilde incelenmiş ve karşılaştırmalı bir analiz yapılmıştır. Geleneksel yöntemlerin sınırlı başarımına karşın, CNN mimarilerinin sunduğu gelişmiş özellik çıkarımı yetenekleri, endüstriyel tasarım ve üretim süreçlerinde benzerlik analizlerini daha verimli ve etkin bir hale getirmektedir. Araştırma kapsamında oluşturulan veri seti, her bir 3D CAD modelinin x, y ve z düzlemlerinde; 0°, 45°, 90°, 135°, 180°, 225° ve 270° olmak üzere toplam yedi farklı açıdan elde edilen görüntüler kullanılarak hazırlanmıştır. Bu çok açılı görüntüleme yaklaşımı sayesinde, modellerin farklı perspektiflerdeki performansları değerlendirilmiş ve mimarilerin genel benzerlik tespit başarımı detaylı biçimde analiz edilmiştir. Her bir CNN mimarisinin farklı açılarda gösterdiği performanslar, mimarilerin görsel benzerlik analizindeki güçlü ve zayıf yönlerini ortaya koymaktadır. Bu bağlamda, açıya bağlı doğruluk değişimleri önemli bir analiz kriteri olarak ele alınmış ve mimarilerin çok yönlü değerlendirilmesi sağlanmıştır. Ayrıca model karmaşıklığı ve parametre verimliliği üzerine yapılan analizler, yüksek parametre sayısına sahip olmanın her zaman yüksek performansa karşılık gelmediğini göstermiştir. Verimli ve optimize edilmiş mimarilerin, daha az kaynak kullanımıyla da etkili sonuçlar verebildiği gözlemlenmiştir. Bu çalışma, CNN mimarilerinin endüstriyel tasarım süreçlerinde benzerlik analizine başarılı bir şekilde entegre edilebileceğini ortaya koymaktadır. Görsel benzerlik temelli bu yaklaşım, tasarım sürecinin erken aşamalarında daha önce yapılmış çalışmalara hızlı ve anlamlı erişim imkânı sağlayarak proje sürelerini kısaltmakta, araştırma faaliyetlerini azaltmakta ve genel kaynak kullanımını optimize etmektedir. Böylelikle derin öğrenme tabanlı analizlerin, endüstriyel tasarım ve üretim süreçlerinde inovasyonu destekleyici stratejik bir araç haline gelmesi hedeflenmektedir.
Özet (Çeviri)
To perform similarity analysis on 3D CAD (Computer-Aided Design) models, this study presents a detailed examination and comparative evaluation of several deep learning-based Convolutional Neural Network (CNN) architectures, namely ResNet50, EfficientNet, Xception, MobileNetV2, InceptionResNetV2, and DenseNet121. While traditional methods often suffer from limited accuracy and high computational cost, CNN architectures offer advanced feature extraction capabilities, enabling more efficient and effective similarity analysis in industrial design and manufacturing workflows. The dataset constructed for this research consists of images generated from each 3D CAD model at seven distinct viewing angles 0°, 45°, 90°, 135°, 180°, 225°, and 270° along the x, y, and z axes. This multi-view imaging approach allowed for a comprehensive evaluation of each architecture's performance from different perspectives, providing a robust basis for assessing their overall effectiveness in similarity detection tasks. The variation in performance across different viewing angles for each CNN architecture highlighted their respective strengths and weaknesses in visual similarity analysis. Angle-dependent accuracy fluctuations were treated as a key evaluation criterion, enabling a multi-faceted assessment of the models. Additionally, an analysis of model complexity and parameter efficiency revealed that higher parameter counts do not necessarily lead to superior performance. Efficient and optimized architectures were shown to achieve competitive results with significantly lower resource requirements. This study demonstrates the feasibility of integrating CNN-based approaches into similarity analysis processes within industrial design. The proposed visual similarity framework facilitates rapid and meaningful access to prior designs during the early stages of development, thereby reducing project timelines, minimizing redundant research, and optimizing resource utilization. Ultimately, deep learning-driven analysis is positioned as a strategic enabler of innovation in industrial design and manufacturing processes.
Benzer Tezler
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Classification of lung nodules in CT images using convolutional neural networks
BT görüntülerinde akciğer nodüllerinin evrişimsel sinir ağları kullanılarak sınıflandırılması
GÖRKEM POLAT
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YEŞİM SERİNAĞAOĞLU DOĞRUSÖZ
PROF. DR. UĞUR HALICI
- Comparing the performance of humans and 3D-convolutional neural networks in material perception using dynamic cues
İnsanların performansını karşılaştırmak ve 3D-konvoleksiyonel nöral ağlarda dinamik pişirme kullanılan malzeme anlayışı
HOSSEIN MEHRZADFAR
Yüksek Lisans
İngilizce
2019
Psikolojiİhsan Doğramacı Bilkent ÜniversitesiNörobilim Ana Bilim Dalı
ASSOC. DR. HÜSEYİN BOYACI
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA