Bilgisayarlı görü ve yapay zeka ile cam kusurlarının tespiti
Detection of glass defects with computer vision and artificial intelligence
- Tez No: 944125
- Danışmanlar: DOÇ. DR. VEDAT TÜMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Makine öğrenmesi, Yapay zeka, Deep learning, Machine learning, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bitlis Eren Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde artan dünya nüfusu ve buna bağlı olarak yükselen tüketim ihtiyacı, ürünlerin yalnızca üretim aşamasında değil, son kullanıcıya ulaştıktan sonraki süreçlerde de kalite ve güvenilirliğini korumasını zorunlu kılmaktadır. Bu nedenle, ürünlerin nihai kullanıcıya ulaşmadan önce veya kullanım sürecinde karşılaşılabilecek olası kusurların tespit edilmesi, kullanıcı memnuniyetinin artırılması ve olası güvenlik risklerinin önlenmesi açısından büyük önem arz etmektedir. Bu bağlamda, yapay zekâ ve bilgisayarlı görü tabanlı sistemlerin kalite kontrol süreçlerine entegrasyonu, insan kaynaklı hataları en aza indirerek hem ürün güvenliğini hem de kullanıcı deneyimini iyileştirmektedir. Bu çalışmada, cam yüzeylerde meydana gelebilecek kırık, çatlak ve çizik gibi kusurların son kullanıcıya ulaştıktan sonra da tespit edilebilmesi hedeflenmiştir. Cam; otomotiv, inşaat, beyaz eşya, kozmetik ve ambalaj gibi birçok sektörde yaygın olarak kullanılan, görsel ve yapısal bütünlüğü kritik öneme sahip bir malzemedir. Bu nedenle, kullanıcıların karşılaşabileceği kusurların hızlı ve doğru bir şekilde tespit edilmesi, hem ürün güvenilirliği hem de marka itibarı açısından hayati öneme sahiptir. Çalışma kapsamında, toplam 4975 görüntüden oluşan (4065 eğitim, 463 doğrulama, 447 test) bir veri seti kullanılmış ve bu veri seti, cam yüzey kusurlarının nesne tespiti amacıyla derin öğrenme tabanlı YOLOv5, YOLOv8 ve YOLO11 modelleri ile eğitilmiştir. Modellerin performansı doğruluk, hassasiyet, F1 skoru ve mAP50 metrikleri üzerinden değerlendirilmiştir. Elde edilen sonuçlara göre, YOLO11 modeli doğruluk, F1 skoru ve mAP50 açısından en yüksek başarıyı sergilemiştir. YOLOv8 modeli hassasiyet bakımından öne çıkarken, YOLOv5'in genel performansının diğer iki modele göre daha düşük olduğu gözlemlenmiştir. Sonuçlar, YOLO mimarilerinin cam kusurlarının son kullanıcı düzeyinde tespitinde etkili bir şekilde kullanılabileceğini ve özellikle satış sonrası kalite kontrol süreçlerinin otomatikleştirilmesinde önemli katkılar sunabileceğini ortaya koymaktadır.
Özet (Çeviri)
In today's world, the increasing global population and corresponding rise in consumption demands have made it essential not only to ensure product quality during manufacturing but also to maintain reliability throughout the product's lifecycle, including its use by end consumers. Detecting potential defects before or during consumer use is crucial for enhancing customer satisfaction and preventing possible safety risks. In this context, the integration of artificial intelligence and computer vision-based systems into quality assurance processes significantly reduces human error, while improving both product safety and user experience. This study aims to detect surface defects such as cracks, scratches, and fractures on glass surfaces after the production stage, focusing on the products already in the hands of end users. Glass is a widely used material in various industries including automotive, construction, home appliances, cosmetics, and packaging, where visual and structural integrity is of critical importance. Therefore, accurately identifying such defects at the consumer level plays a vital role in maintaining product reliability and brand reputation. A dataset consisting of 4,975 images (4,065 for training, 463 for validation, and 447 for testing) was used in this study. The dataset was employed to train deep learning-based object detection models, specifically YOLOv5, YOLOv8, and YOLOv11, for identifying defects on glass surfaces. The models were evaluated using accuracy, precision, F1 score, and mAP50 metrics. The results demonstrated that the YOLOv11 model outperformed the others in terms of accuracy, F1 score, and mAP50, while YOLOv8 showed better performance in terms of precision. Overall, YOLOv5 exhibited lower performance compared to the other two models. These findings indicate that YOLO architectures can be effectively utilized for detecting glass defects at the consumer level and can offer significant contributions toward automating post-sale quality assurance processes.
Benzer Tezler
- Entegre emgi ve yabancı madde analiz sisteminin geliştirilmesi
Development of an integrated emgi and foreign material analysis system
YUSUF CURUM
- Application and analysis of deep learning techniques on the problem of depth estimation from a single image
Derin öğrenme tekniklerinin tekil görüntüden derinlik tahmini problemi üzerinde uygulanması ve incelenmesi
ALİCAN MERTAN
Yüksek Lisans
İngilizce
2020
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Açıklanabilir yapay zeka ve dönüştürücüler kullanılarak beyin tümörü analizi
Brain tumor analysis with explainable artificial intelligence and transformers
SENA KALİFATİ
- Histopatolojik kan yayma görüntülerinde kırmızı kan hücrelerinden derin öğrenme ile sıtma tespiti
Detection of malaria from red blood cells in histopathological blood smear images using deep learning
MAHIR ALIYEV
- Yapay zekâ tabanlı bilgisayarlı görü ile trafik kompozisyonunun belirlenmesi
Determining traffic composition with artificial intelligence based computer vision
BURAK ÇELİK
