Geri Dön

Kumaş örüntülerinde bulunan tekli ve çoklu defoların makine öğrenmesi yöntemleri ile tespiti ve karşılaştırılması

Detection and comparison of single and multiple defects in fabric patterns using machine learning methods

PDF İndir

  1. Tez No: 952756
  2. Yazar: ABDELRAHMAN ELSAYED ALY ELKASAS
  3. Danışmanlar: PROF. DR. MEHMET SİRAÇ ÖZERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Makine öğrenmesi, Dokusuz Kumaş, Defo Tespiti, Nesne Tespiti, Transfer Öğrenimi, YOLO Modelleri, Deep Learning, Nonwoven Fabrics, Defect Detection, Object Detection, Transfer Learning, YOLO Models
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dicle Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 109

Özet

Tekstil endüstrisinde kalite kontrol süreçleri, üretim verimliliği ve ürün kalitesi için çok önemlidir. Geleneksel yöntemlerle defo tespiti, özellikle dokusuz kumaşlarda küçük ve düzensiz defolar nedeniyle zordur. Dokusuz kumaşlarda defo tespiti sorununa derin öğrenme tabanlı yenilikçi bir çözüm bu çalışma tarafından sunulmuştur. Yapay Zeka (Artificial Intelligence, AI) tabanlı Nesne Tespiti (Object Detection, OD) ve Transfer Öğrenimi (Transfer Learning, TL) yöntemlerinin kullanılması, bu durumda kumaş defolarının otomatik ve yüksek doğrulukla sınıflandırılmasını sağlamayı amaçlamaktadır. Çalışmada, Roboflow platformunda etiketlenen ve özgün çektiğimiz bir veri seti kullanılmıştır. Toplam 1239 görüntüden oluşan veri setinde dört farklı defo sınıfı (yag_damlasi, LYC, igne_kirigi ve patlak) yer almaktadır. Yapılan 2584 etiketleme ile ortalama 2.1 defo bulunmuştur. OD yaklaşımında YOLOv5, YOLOv8, YOLOv9 ve YOLOv11 modelleri kullanılırken, TL yaklaşımında VGG16, ResNet50, EfficientNet_B0, DenseNet121, MobileNet_V2 ve Inception_V3 modelleri tercih edildi. Modeller, doğruluk, kesinlik, duyarlılık ve F1 skorları dahil olmak üzere çeşitli metriklerle değerlendirilmiştir. YOLOv5m, tüm sınıflarda 0.244 güven seviyesinde ve 0.81 F1 skoru ile bir performans sergilemiştir. YOLOv8m 0.268 güven seviyesi ve 0.75 F1 skoru, YOLOv9-c 0.286 güven seviyesi ve 0.73 F1 skoru, YOLOv11-m ise 0.290 güven seviyesi ve 0.74 F1 skoru elde etmiştir. TL modelleri, her imgede tek defo içeren düzenlenmiş veri setinde %99-100 test doğruluğu ile yüksek performans göstermiş; VGG16, DenseNet121 ve MobileNet_V2 %100 doğrulukla öne çıkarken, ResNet50 %99.04 ile en düşük sonucu vermiştir. Ancak, her imgede birden fazla defo içeren orijinal veri setinde TL modellerinin performansları düşmüş; VGG16 %87.30, EfficientNet_B0 %77.38, Inception_V3 %57.54, ResNet50 %47.22 ve MobileNet_V2 %37.30 doğruluk oranları elde edilmiştir. Deneyler, kumaşların bir inceleme makinesi üzerinden geçtiği ve modellerin gerçek zamanlı analiz yaptığı bir sistem kullanılarak yürütülmüştür. Bu çalışma, dokusuz kumaşlardaki defoları belirlemek için derin öğrenme tekniklerini kullanmanın yararlı olduğunu göstermiştir. Ayrıca, tekstil endüstrisindeki kalite kontrol prosedürlerine yardımcı olmak amacıyla bu teknikleri geliştirmeyi hedeflemiştir. Gelecekte, sistemin çeşitli kumaş türlerinde test edilmesi ve daha fazla defo sınıfının eklenmesi, yöntemin daha genelleştirilebilir hale gelmesine yardımcı olabilir.

Özet (Çeviri)

In the textile industry, quality control processes are very important for production efficiency and product quality. Defect detection with traditional methods is difficult, especially in nonwoven fabrics, due to small and irregular defects. An innovative deep learning-based solution to the problem of defect detection in nonwoven fabrics is presented by this study. The use of Artificial Intelligence-Based Object Detection (OD) and Transfer Learning (TL) methods aims to provide automatic and high-accuracy classification of fabric defects in this case. In the study, an original dataset labeled on the Roboflow platform and captured by us was used. In the dataset consisting of a total of 1239 images, four different defect classes (yag_damlasi, LYC, igne_kirigi and patlak) and 2584 labelings, an average of 2.1 defects were found. In the Object Detection approach, YOLOv5, YOLOv8, YOLOv11 and YOLOv9 models were used, while in the Transfer Learning approach, VGG16, ResNet50, EfficientNet_B0, DenseNet121, MobileNet_V2 and Inception_V3 models were preferred. The models were evaluated with various metrics including accuracy, precision, sensitivity and F1 scores. YOLOv5m demonstrated a notable performance with a confidence level of 0.244 and an F1 score of 0.81 across all classes. YOLOv8m achieved a confidence level of 0.268 and an F1 score of 0.75, YOLOv9-c a confidence level of 0.286 and an F1 score of 0.73, and YOLOv11- m a confidence level of 0.290 and an F1 score of 0.74. Transfer Learning (TL) models exhibited high performance on the curated dataset with a single defect per image, achieving test accuracies between 99% and 100%; VGG16, DenseNet121, and MobileNet_V2 stood out with 100% accuracy, while ResNet50 recorded the lowest result at 99.04%. However, on the original dataset with multiple defects per image, the performance of TL models declined, yielding accuracy rates of 87.30% for VGG16, 77.38% for EfficientNet_B0, 57.54% for Inception_V3, 47.22% for ResNet50, and 37.30% for MobileNet_V2. The experiments were conducted using a system where fabrics were passed through an inspection machine, enabling real-time analysis by the models. This study has shown that using deep learning techniques to identify defects in nonwoven fabrics is useful. It also aims to develop these techniques to assist in quality control procedures in the textile industry. In the future, testing the system on various types of fabrics and adding more defect classes can help make the method more generalizable.

Benzer Tezler

  1. Tez No

    921970

    Zincir zırh örüntülerinin mimaride kılıf strüktürü olarak kullanımına yönelik hesaplamalı bir yöntem geliştirme

    Development of a computational method for using chainmail patterns as envelope structures in architecture

    GÖKSU EDA TAŞLIBEYAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Mimarlıkİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU

  2. Tez No

    358274

    Türk halı sanatında yer alan ejder motifinin çağdaş bir yorumla tekstillerde kullanılması

    Usage of dragon motif, which is a part of Turkish carpet art, with contemporary interpretation in textiles

    MURAT ATUKEREN

    Sanatta Yeterlik

    Türkçe

    Türkçe

    2014

    Güzel SanatlarHaliç Üniversitesi

    Tekstil ve Moda Tasarımı Ana Sanat Dalı

    PROF. DR. ESİN SARIOĞLU

  3. Tez No

    856505

    Görüntü işleme ile desenlerde kusur tespiti

    Defect detection on patterns with image processing

    YUNUS EMRE MERAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OSMAN GÖKALP

  4. Tez No

    293258

    Yünlü giysi tasarımında bölgesel keçeleştirme yöntem ve uygulamaları

    Local fulling method and applications in woolen garment design

    SEDEF ACAR

    Sanatta Yeterlik

    Türkçe

    Türkçe

    2010

    Güzel SanatlarDokuz Eylül Üniversitesi

    Tekstil Ana Sanat Dalı

    DOÇ. NESRİN ÖNLÜ

  5. Tez No

    850143

    Development of a blackout fabric with improved acoustic properties made from hollow bicomponent filament yarns

    Boşluklu bikomponent filament ipliklerden mamul akustik özellikleri iyileştirilmiş blackout kumaş tasarımı

    HACER MERVE BULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Tekstil ve Tekstil Mühendisliğiİstanbul Teknik Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    PROF. DR. CEVZA CANDAN

Geri Dön