Flaw detection in aluminium castings leveraging synthetic data for non-destructive testing
Tahribatsız muayene için sentetik veriler kullanılarak alüminyum döküm kusurlarının tespit edilmesi
- Tez No: 968017
- Danışmanlar: DOÇ. DR. ELİF SÜRER, PROF. DR. ULAŞ YAMAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Makine Mühendisliği, Computer Engineering and Computer Science and Control, Mechanical Engineering
- Anahtar Kelimeler: Alüminyum alaşımları, Bilgisayarla görme, Derin öğrenme, Döküm hataları, Kusur tespiti, Tahribatsız muayene, Aluminum alloys, Computer vision, Deep learning, Casting defects, Flaw detection, Nondestructive inspection
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Modelleme ve Simülasyon Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel üretimde kalite güvencesi açısından radyografik görüntüleme ile yapılan tahribatsız muayene (NDT), özellikle alüminyum dökümlerindeki iç kusurların tespiti açısından kritik bir rol oynamaktadır. Ancak, derin öğrenmenin radyografik kusur tespitine uygulanması, alana özgü ön eğitim stratejilerinin ve halka açık, çeşitli etiketli veri kümelerinin eksikliği nedeniyle sınırlı kalmaktadır. Bu tez, her iki sorunu da ele alarak, American Society for Testing and Materials (ASTM) standartlarına göre etiketlenmiş yüksek çözünürlüklü alüminyum döküm X-ışını görüntülerinden oluşan yeni bir veri kümesi sunmaktadır. Veri kümesi, porozite türleri, gaz boşlukları, inklüzyonlar ve çekintiler gibi hem kaba hem de ince taneli kusur kategorilerini kapsamaktadır. Aynı zamanda malzeme türü, görüntüleme perspektifi ve kusur şiddeti açısından çeşitlilik içermektedir. Bu veri kümesi üzerinde çeşitli nesne tespiti modelleri değerlendirilerek, temel performans ölçütleri belirlenmiş ve alana özgü zorluklar ortaya konmuştur. Etiketli veriye duyulan gereksinimi azaltmak için, Textual Inversion ile yönlendirilen Stable Diffusion tabanlı sentetik veri üretim hattı önerilmiştir. Sadece birkaç halka açık referans görüntüden yola çıkılarak, dağılım dışı sentetik radyografiler üretilmiştir. Bu sayede yöntem tekrar üretilebilir hale gelmiş ve veri kümesine özgü sızıntılar engellenmiştir. Üretilen sentetik görüntüler, kendinden gözetimli karşıt öğrenme yöntemiyle modelin ön eğitiminde kullanılmıştır. Elde edilen ön eğitimli omurga modeli, hem top-1 doğruluğunda hem de kusur tespiti görevinde, ImageNet ile ön eğitilmiş karşılaştırmalı modeli geride bırakmıştır. Bu tez, döküm NDT alanı için zorlu bir yeni veri kümesi, veri kümesinden bağımsız bir sentetik veri üretim hattı ve dağılım dışı sentetik verilerle etkili temsillerin öğrenilebileceğine dair deneysel kanıtlar sunmaktadır.
Özet (Çeviri)
Non-destructive testing (NDT) using radiographic imaging plays a vital role in quality assurance for industrial manufacturing, particularly in detecting internal flaws in aluminum castings. However, the application of deep learning to radiographic flaw detection is limited by a lack of publicly available, diverse datasets and domain-specific pretraining strategies. This thesis addresses both challenges by introducing a high-resolution X-ray dataset of aluminum castings annotated according to the American Society for Testing and Materials (ASTM) standards. The dataset covers both coarse and fine-grained flaw categories, such as porosity types, gas holes, inclusions, and shrinkages, and captures variation across materials, perspectives, and flaw severity levels. We benchmark several object detection models on this dataset to establish baseline performance and highlight domain-specific challenges. To overcome data scarcity, we propose a synthetic data generation pipeline using Stable Diffusion with textual inversion. Out-of-distribution synthetic radiographs are generated from only a few publicly available reference images, ensuring reproducibility and eliminating dataset-specific leakage. The resulting synthetic data is used for self-supervised contrastive pretraining, enabling the model to learn defect-aware representations without requiring labeled data. Our pretrained backbone improves the performance of downstream tasks on our dataset, outperforming ImageNet-pretrained baseline. This thesis' main contributions are a challenging new dataset, a dataset-agnostic synthetic data generation pipeline, and empirical evidence that synthetic, out-of-distribution samples can still drive effective self-supervised learning for industrial flaw detection.
Benzer Tezler
- Zamanda ayrık sistemlerin modele uyumlu kontrolunda yeni bir yaklaşım
Başlık çevirisi yok
NİHAL YILDIZBAYRAK
Doktora
Türkçe
1983
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. M. KEMAL SARIOĞLU
- Türk kolemanitlerinin termal elektrolizi ile kalsiyum hekzaborür eldesi
Electrochemical production of calcium boride from Turkish colemanite
A.BAHATTİN SOYDAN
- Hukuksal açıdan orman emlaki ve orman mülkiyetinin temelleri
Forest property and fundamentals of forest ownership from the legal point of view
SEDAT AYANOĞLU
- Kenar ağlarında nokta yatay konumu inceliği
The Precission for the horizontal position of the point in trilateration net
ALİ RIZA YURDAKUL
- Polimerik membranlarda kimyasal ve makromoleküler yapının membranın oksijen ve iyonik geçirgenliğine etkileri
The Dependence of the anygen and ionic permeabilities of some polymeric membranes on their chemical and macromolecular structures
H. YILDIRIM ERBİL