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: 75
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
- 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
- 2D/3D human pose estimation using deep convolutional neural nets
Derin evrişimsel sinir ağları ile 2B/3B insan vücudu pozisyon kestirimi
MUHAMMED KOCABAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE AKBAŞ
- Çok katmanlı küresel derinlik parametreleri ve derin öğrenme yöntemleri ile 3B şekil tamamlama ve üretme
3D shape completion and generation using multilayer spherical depth parameters with deep learning methods
ABDÜLLATİF AĞCA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATMA BETÜL ATALAY SATOĞLU
- Parkinson hastalarının dikkat fonksiyonlarına ait beyin aktivasyonlarının fonksiyonel MRG ile incelenmesi ve evrişimsel sinir ağları ile sınıflandırılması
Analysis of the brain activations of attention functions of Parkinson patients with functional MRI and classification with conventional neural networks
NUR YILMAZ
Yüksek Lisans
Türkçe
2022
BiyomühendislikSelçuk ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN
- 2.5D ViT: vision transformer based brain age estimation with 3D brain MRI pre-processes
2.5D ViT: 3 boyutlu beyin MR görüntülerinin ön işlenmesiyle görüntü dönüştürücü tabanlı beyin yaşı tahmini
MUAZZEZ BUKET DARICI
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKadir Has ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATİLLA ÖZMEN