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: Derin öğrenme, Sayısal görüntü işleme, Deep learning, Digital image processing
- 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: Belirtilmemiş.
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
- G4ML: Antibody and cell-type specific machine learning approach for DNA G-Quadruplex identification based on G4-CHIP-SEQ data
G4ML: DNA G-Quadripleks tanımlanması için G4-CHIP dizileme verileri kullanılarak antikora ve hücre tipine özgü bir makine öğrenmesi yaklaşımı
POLEN NEHİR ULAŞ
- Ağırlıklandırılmış derin evrişimsel sinir ağları topluluğu ile böcek türlerinin sınıflandırılması
Classification of insect species with weighted ensemble of deep convolutional neural networks
FATİH VARÇIN
- 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
- Periodontal hastalıkların güncel sınıflamaya (2018) uygun tanısı için derin evrişimsel sinir ağı tabanlı bir karar sistemi tasarımı
A deep convolutional neural network based decision system for the diagnosis of periodontal diseases according to the current clasification (2018)
KÜBRA ERTAŞ
Diş Hekimliği Uzmanlık
Türkçe
2021
Süleyman Demirel ÜniversitesiPeriodontoloji Ana Bilim Dalı
Yükleniyor...
- A deep learnıng appproach wıth convolutıonal neural networks for facıal emotıon recognıtıon
Yüz ifadelerindeki duyguları tanımak ı̇çı̇n evrişimsel sinir ağları ı̇le bı̇r derı̇n öğrenme yaklaşımı
EFSUN DOĞAN
