Geri Dön

Döküm kusurlarının tespiti sürecinde görüntü özellik çıkarımı ve makine öğrenmesi kullanımı

Feature extraction from images and application of machi̇ne learning in the detecti̇on of casting defects

PDF İndir

  1. Tez No: 954450
  2. Yazar: MUSTAFA BÜBER
  3. Danışmanlar: DOÇ. DR. ALİ YAŞAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Selçuk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Döküm sanayisinde yüzey kusurlarının tespiti, ürün kalitesinin artırılması ve üretim hattındaki hataların erken aşamada belirlenebilmesi açısından büyük önem taşımaktadır. Bu çalışmada, döküm parça görüntüleri üzerinden kusurların otomatik olarak tespit edilebilmesi amacıyla görüntü işleme ve makine öğrenmesi tabanlı bir sınıflandırma sistemi geliştirilmiştir. Kullanılan veri seti, Kaggle platformundan temin edilen ve hatalı-hatasız olarak etiketlenmiş 6625 görüntüden oluşmaktadır (3750 hatalı, 2875 hatasız). Görüntülerin sınıflandırılabilirliğini artırmak amacıyla Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Scale-Invariant Feature Transform (SIFT), Gabor filtreleri, GLCM, Wavelet dönüşümü, renk histogramı, Zernike momentleri, Hu momentleri ve Fourier dönüşümü olmak üzere toplam 10 farklı özellik çıkarım yöntemi uygulanmıştır. Çalışma kapsamında, HOG ve LBP özelliklerinin etkisi beş farklı hücre boyutu (25x25, 50x50, 100x100, 150x150, 300x300) ayrı ayrı değerlendirilmiş, her varyasyon için özgün özellik veri setleri oluşturulmuştur. Özellik vektörlerinin yüksek boyutluluğu nedeniyle, mRMR (minimum Redundancy Maximum Relevance) ve Ki-Kare (Chi-square) gibi özellik seçimi algoritmaları uygulanarak bilgi açısından en anlamlı öznitelikler belirlenmiş ve sınıflandırma modelleri bu daraltılmış veriyle yeniden eğitilmiştir. Model eğitimleri MATLAB Classification Learner aracı kullanılarak gerçekleştirilmiş ve Fine Tree, Fine KNN, Wide Neural Network, Bagged Trees, Gaussian Destek Vektör Makineleri (DVM) ve Binary GLM olmak üzere altı farklı sınıflandırma algoritması ile sonuçlar karşılaştırılmıştır. Elde edilen sonuçlara göre, en yüksek doğruluk oranı %99.7 ile 25x25 hücre boyutunda, özellik seçimi yapılmadan eğitilen Wide Neural Network modeli ile elde edilmiştir. mRMR ve Ki-Kare (χ²) yöntemleriyle yapılan özellik seçimleri, model başarısını belirli oranlarda korurken, özellikle veri boyutunun düşürülmesiyle birlikte eğitim süresinde kayda değer azalma sağlamıştır. Düşük özellikli yapıdaki 300x300 boyutunda ise ayrıca özellik seçimi uygulanmamış, mevcut haliyle yüksek performanslı sonuçlara ulaşılmıştır. Çalışma sonucunda, döküm parçalarının yüzey kusurlarının tespiti için önerilen sistemin hem doğruluk hem de işlem verimliliği açısından endüstriyel uygulamalara entegre edilebilecek nitelikte olduğu görülmüştür.

Özet (Çeviri)

The detection of surface defects in casting processes is of significant importance for improving product quality and identifying production errors at early stages. In this study, an image processing and machine learning-based classification system has been developed to automatically detect defects from casting part images. The dataset used in the study was obtained from Kaggle and includes a total of 6,625 labeled images (3,750 defective and 2,875 non-defective). To enhance the classification capability of the images, a total of ten different feature extraction techniques were applied: Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Scale-Invariant Feature Transform (SIFT), Gabor filters, Gray Level Co-occurrence Matrix (GLCM), wavelet transform, color histograms, Zernike moments, Hu moments, and Fourier transform. The effects of HOG and LBP features were evaluated using five different CellSize configurations (25x25, 50x50, 100x100, 150x150, and 300x300), and distinct feature datasets were generated for each variation. Due to the high dimensionality of the extracted feature vectors, feature selection algorithms such as minimum Redundancy Maximum Relevance (mRMR) and Chi-square were applied to identify the most informative features. The classification models were then retrained using these reduced datasets. Model training was performed using MATLAB's Classification Learner toolbox, and six different classification algorithms were tested and compared: Fine Tree, Fine K-Nearest Neighbor (KNN), Wide Neural Network, Bagged Trees, Gaussian SVM, and Binary Generalized Linear Model (GLM). According to the results, the highest classification accuracy of 99.7% was achieved with the Wide Neural Network model trained on the full feature set extracted at 25x25 CellSize. Feature selection with mRMR and Chi-square preserved model performance to a considerable extent while significantly reducing training time by lowering the feature dimensions. In the low-dimensional 300x300 CellSize configuration, feature selection was not applied, and high performance was still achieved with the original features. Overall, the proposed system demonstrated high accuracy and computational efficiency, indicating strong potential for integration into industrial casting quality control processes.

Benzer Tezler

  1. Tez No

    760285

    Detection of air bubbles from tire sherography images using machine learning and deep learning techniques

    Makina öğrenmesi ve derin öğrenme teknikleri kullanarak, lastik sherografı resimlerinden lastik katmanları arasındaki hava kabarcıklarının tespitinin yapılması

    NAGMY ALI ABDULGANI SALEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ

  2. Tez No

    946492

    Yüksek basınçlı alüminyum dökümünde katmanlaşma kusurlarının simülasyon destekli optimizasyonu

    Simulation-assisted optimization of lamination defects in high-pressure aluminum die casting

    MERTCAN GÜRCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Metalurji MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EKREM ALTUNCU

  3. Tez No

    843997

    Yol ağındaki yapısal kusurların küresel ölçekli otomatik yol kusur tespit sistemi ile belirlenmesi ve sınıflandırılması

    Identification and classification of structural defects in the road network using a global scale automatic road defect detection system

    ÖMER KAYA

    Doktora

    Türkçe

    Türkçe

    2023

    TrafikErzurum Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED YASİN ÇODUR

  4. Tez No

    700454

    AlSi9Cu3(Fe) alaşımının yüksek basınçlı döküm yönteminde konformal soğutma maça kullanılmasıyla katılaşma hızındaki değişimin döküm yapısına etkisinin incelenmesi

    Investigation of high cooling rate effects on the casting structure by using conformal cooling insert in high pressure casting AlSi9Cu3(Fe) alloy

    CAN KARAKOÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA DIŞPINAR

  5. Tez No

    725926

    The effect of dead clay contents on mechanical properties of foundry molding sands

    Ölü bentonit içeriğinin döküm kalıp kumlarının mekanik özelliklerine etkisi

    MEHRAN JALALI KANDELOUS

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NECİP ÜNLÜ

Geri Dön