Evrişimsel sinir ağı derin öğrenme modeli ile pirinç malzeme yüzeylerindeki kalite kusurlarının sınıflandırılarak hata önleme çalışmasının yapılması
A poka-yoke study using a convolutional neural network deep learning model for classifying quality defects on brass material surfaces
- Tez No: 947582
- Danışmanlar: DR. ÖĞR. ÜYESİ NURİ BİNGÖL
- 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: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 76
Özet
Bu tez, pirinç malzeme yüzeylerinde oluşan kalite kusurlarının otomatik olarak sınıflandırılması üzerine odaklanmaktadır. Çalışmanın temel amacı, üretim süreçlerinde oluşabilecek hataları erken aşamada tespit ederek üretim kalitesini artırmak ve maliyetleri azaltmaktır. Araştırmada, üretim sahasından toplanan 6 sınıflı pirinç malzeme kusur veri seti kullanılarak, evrişimsel sinir ağı (CNN) tabanlı bir derin öğrenme modeli geliştirilmiştir. Modelin eğitiminde epoch bazlı doğruluk ve kayıp analizleri, sınıf bazlı doğruluk, hassasiyet (precision), duyarlılık (recall) ve F1 skorları hesaplanmış, ayrıca karışıklık matrisi ve güven skorları detaylı biçimde incelenmiştir. Çalışmanın önemli bulguları, geliştirilen modelin %97'nin üzerinde bir test doğruluğuna ulaştığını, sınıflar arası karışmanın düşük olduğunu ve özellikle üretim hattında uygulanabilirliğe sahip olduğunu göstermektedir. Sonuç olarak, bu tez, yapay zekâ destekli kalite kontrol uygulamalarının üretim ortamlarına entegrasyonu açısından değerli bir katkı sunmakta; öneriler kısmında ise veri setinin genişletilmesi ve gerçek zamanlı sistem entegrasyonu gibi gelecekteki geliştirme alanlarına ışık tutmaktadır.
Özet (Çeviri)
This thesis focuses on the automatic classification of quality defects on brass material surfaces. The primary aim of the study is to detect potential defects at an early stage in the production process, thereby improving production quality and reducing costs. In the research, a deep learning model based on convolutional neural networks (CNN) was developed using a six-class brass material defect dataset collected from the production environment. The model's training involved epoch-based accuracy and loss analysis, class-based accuracy, precision, recall, and F1 scores, with detailed examination of the confusion matrix and confidence scores. Key findings indicate that the developed model achieved over 97% test accuracy, demonstrated low inter-class confusion, and showed strong applicability for real-world production line integration. As a result, this thesis offers valuable contributions regarding the integration of AI-supported quality control applications into manufacturing environments and provides recommendations for future improvements, such as dataset expansion and real-time system integration.
Benzer Tezler
- Ağırlıklandırılmış derin evrişimsel sinir ağları topluluğu ile böcek türlerinin sınıflandırılması
Classification of insect species with weighted ensemble of deep convolutional neural networks
FATİH VARÇIN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERBAY
- Derin öğrenme ile İHA görüntülerinden nesne tespitinin yapılması
Object detection from UAV images with deep learning
EMİR ALBAYRAK
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ
- EKG vuru imgelerinden kardiyak aritmilerin makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması
Classification of cardiac arrhythmias from ECG beat images by machine learning and deep learning methods
MUHAMMED HALİL AKPINAR
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Detection and classification of brown marmorated stink bug (Halyomorpha halys) damage in hazelnut using image processing and deep learning techniques
Görüntü işleme ve derin öğrenme teknikleri kullanarak fındıkta kahverengi kokarca (Halyomorpha halys) zararının belirlenmesi ve sınıflandırılması
OMSALMA ALSADIG ADAM GADALLA
Doktora
İngilizce
2023
ZiraatOndokuz Mayıs ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. YEŞİM BENAL ÖZTEKİN
- A deep learning model for marble quality classification
Mermer kalitesi sınıflandırması için derin öğrenme destekli bir model
İDRİS KARAALİ
Yüksek Lisans
İngilizce
2021
Bilim ve TeknolojiDokuz Eylül ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ METE EMİNAĞAOĞLU