Önerilen evrişimli sinir ağı kullanılarak metal plakaların yüzey kusur tespiti
Surface fault detection of metal plates using proposed convolutional neural network
- Tez No: 951233
- Danışmanlar: PROF. DR. ŞAHİN YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Evrişimli Sinir Ağı, Yüzey Kusur Tespiti, Çelik Üretimi, Derin Öğrenme, Akıllı Üretim, Convolutional Neural Network, Surface Defect Detection, Steel Production, Deep Learning, Smart Manufacturing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Çelik üretiminde kalite kontrol, ürünlerin güvenliğini ve dayanıklılığını sağlamak için kritik bir adımdır; ancak geleneksel yöntemler, karmaşık kusurları tespit etmede yetersiz kalmaktadır. Bu sorunu ele almak amacıyla, bu tezde“Meta Uyarlamalı ConvNeXt”adlı yeni bir evrişimli sinir ağı mimarisi önerilmektedir. Önerilen model, tespit doğruluğunu ve hesaplama verimliliğini artıran dinamik havuzlama mekanizmalarını bünyesinde barındırır ve sıcak haddelenmiş çelikteki altı yaygın yüzey kusurunu—Çatlaklar, İçerikler, Yamalar, Oyuklanma, Haddeleme Ölçeği ve Çizikler—otomatik olarak tespit etmeyi hedefler. Tezde, Northeastern Üniversitesi (NEU) tarafından sağlanan ve kamuoyuna açık olan veri seti kullanılmıştır. Bu veri seti, %80 eğitim ve %20 test olarak ayrılmıştır. Modelin sınırlı veri koşullarında genelleme yeteneğini güçlendirmek için yeniden boyutlandırma, rastgele döndürme, yatay/dikey çevirme, kaydırma ve öteleme gibi veri artırma teknikleri uygulanmıştır. Modelin performansı, Vision Transformerlar (ViT'ler), ConvNeXt Base ve FasterViT gibi önceden eğitilmiş mimarilerle karşılaştırılmıştır. Bu mimariler, transfer öğrenme yöntemiyle ince ayar yapılarak altı kusur sınıfını sınıflandırmak üzere uyarlanmıştır. Deneysel bulgular, önerilen modelin %99,72 doğruluk (%0,28 hata), %99,72 duyarlılık, %99,73 kesinlik ve %99,73 F1-skoru ile diğer modelleri (ViT: %97,22, ConvNeXt Base: %98,06, FasterViT: %99,44) geride bıraktığını göstermektedir. Bu tez, çelik yüzey kusur tespitinde derin öğrenme algoritmalarının etkinliğini kanıtlamakta ve akıllı üretimde güvenilir kalite kontrol sistemlerinin geliştirilmesine yönelik önemli bir katkı sunmaktadır. Önerilen model, endüstriyel uygulamalarda doğruluk ve verimliliğin ön planda olduğu senaryolar için ideal bir çözüm olarak öne çıkmaktadır.
Özet (Çeviri)
Quality control in steel production is important step for ensuring product safety and durability, yet traditional methods struggle to identify complex defects. To address this issue, we propose a novel convolutional neural network architecture named“Meta Adaptive ConvNeXt”. The proposed model incorporates dynamic pooling mechanisms which enhance detection accuracy and computational efficiency to automatically detect six common surface defects on hot rolled steel namely: crazing, inclusions, patches, pitting, rolled in scale, and scratches. We employed the publicly available Northeastern University (NEU) dataset, the used dataset was split into 80% for the training and 20% for the testing. To enhance the model generalization under limited data conditions we applied data augmentation techniques (resizing, random rotation, horizontal/vertical flips, shearing, translation). The model's performance was compared against pretrained architectures which are Vision Transformers (ViTs), ConvNeXt Base, and FasterViT each was fine tuned using transfer learning method by replacing their classification heads to classify our six defect classes. The findings show that the proposed model outperforms all baseline models with 99.72% accuracy (0.28% error), 99.72% recall, 99.73% precision, and 99.73% F1-score values (ViT: 97.22% accuracy, ConvNeXt Base: 98.06%, FasterViT: 99.44%). This thesis underscores the effectiveness of employing deep learning algorithms in steel surface defect detection and contributes to advancing reliable quality control systems in smart manufacturing. The proposed model stands out as an ideal solution for scenarios where accuracy and efficiency are at the forefront in industrial applications.
Benzer Tezler
- 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
- Bakır malzemelerde kaynak hatası tespiti için yeni bir derin öğrenme algoritması tasarımı
Design of a new deep learning algorithm for welding defect detection in copper materials
HALİL İBRAHİM ŞEKER
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İHSAN PEHLİVAN
- Robust keyword spotting in noisy environments based on deep learning
Derin öğrenmeye dayalı gürültülü ortamlarda dayanıklı anahtar kelı̇me tespı̇tı̇
FATİH MERCAN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Eğitimi Ana Bilim Dalı
PROF. DR. HAMİT ERDEM
- 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
- Tarımsal uygulamalar için derin öğrenme temelli uç sistem modellerinin geliştirilmesi ve optimizasyonu
Development and optimization of deep learning based edge system models for agricultural applications
DORUK SÖNMEZ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYDIN ÇETİN