Tornalamada video tabanlı yapay zeka yaklaşımı ile takım aşınmasının dinamik takibi
Dynamic monitoring of tool wear in turning using a video-based artificial intelligence approach
- Tez No: 982267
- Danışmanlar: PROF. DR. OLKAN ÇUVALCI
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Takım aşınması, Tool wear
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tornalanmış yüzey imgelerinin aşınma izlerini taşıdığı ve görüntü işleme ile aşınma izleme amacıyla kullanılabildiği literatürde birçok kez gösterilmiştir; ancak çalışmalar çoğunlukla durağan fotoğraflara dayanmaktadır ve gerçek işlem sırasında benzer karelerin alınması yüksek hızlı görüntüleme donanımı gerektirir. Bu gereksinim maliyet ve entegrasyon güçlükleri doğurmaktadır. Bu çalışmada, sıradan video karelerinden takım aşınmasının izlenmesi amaçlanmıştır. Standart video kareleri fotoğraflara kıyasla daha bulanık ve ayrıntı bakımından sınırlıdır; bu nedenle, tornalanmış yüzeye özgü özniteliklerin tasarlanması önemlidir. Bu doğrultuda, yüzey dalgalılık profilindeki aşınmaya bağlı değişimleri yakalayabilen iki öznitelik (Sinüs ERMS, Gauss ERMS) geliştirilmiş; aşınmaya eşlik eden dalga genliğindeki değişimleri temsil eden Fourier genlik ortalaması ile birlikte FSG öznitelik seti oluşturulmuştur. Video karelerinden çıkarılan bu öznitelikler doğrusal SVM ile değerlendirilmiş, Video–FSG için sınıflandırma doğruluğu ve F1 skoru sırasıyla; Acc≈0.65, F1≈0.31 elde edilmiştir. Aynı yaklaşım fotoğraflara uygulandığında Foto–FSG için Acc≈0.71, F1≈0.51 gözlenmiştir. Fotoğraflar ile aşınmanın izlenebilirliği daha yüksek olsa da video karelerininde anlamlı ayrım gücü sunduğu görülmüştür. Karşılaştırma amacıyla literatürde yaygın üç genel amaçlı GLCM özniteliği (kontrast, homojenlik, entropi) hem video karelerinde hem durağan fotoğraflarda sınanmış; Video–GLCM'de F1≈0.24, Foto–GLCM'de F1≈0.04 bulunarak önerilen özniteliklerin her iki modda da GLCM'ye üstün olduğu gösterilmiştir. Bulgular, uygun özniteliklerle aşınmanın sıradan video karelerinden de izlenebileceğine dair nicel kanıt sunmaktadır.
Özet (Çeviri)
It has been demonstrated many times in the literature that images of turned surfaces carry traces of wear and can be used for image-based wear monitoring; however, most studies rely on static photographs, and acquiring comparable frames during actual cutting requires high-speed imaging hardware. This entails cost and integration challenges. In this study, the monitoring of tool wear from ordinary video frames is targeted. Since standard video frames are blurrier and contain less detail than photographs, designing surface-specific features is important. Accordingly, two features that capture wear-induced changes in the surface waviness profile (Sine ERMS, Gauss ERMS) were developed and, together with the mean Fourier amplitude, formed the FSG feature set. Features extracted from video frames were evaluated with a linear SVM, and for Video–FSG the classification accuracy and F1 score were, respectively, Acc≈0.65 and F1≈0.31. Applying the same approach to photographs yielded Acc≈0.71 and F1≈0.51 for Photo–FSG. Although photographs provide higher monitorability, video frames also offered meaningful discriminative power. For comparison, three commonly used, general-purpose GLCM features (contrast, homogeneity, entropy) were tested on both video frames and static photographs; F1≈0.24 for Video–GLCM and F1≈0.04 for Photo–GLCM demonstrated that the proposed features outperform GLCM in both modalities. The findings provide quantitative evidence that wear cues can be monitored from ordinary video frames with suitable features.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Tornalamada kalem ile parça arasında meydana gelen elektrik akımının kalem ömrüne etkilerinin araştırılması
An Investigation on the cutting the electrical current between tool and material to the effect on tool life
İBRAHİM HALİL AKGÜNDÜZ
- Tornalamada kesici kenar ayar açısının kesmeye etkisinin sonlu elemanlarla analizi
Finite elements analysis of the effect of cutting edge entering angle in turning
ABDULLAH DURAN
Doktora
Türkçe
1998
Eğitim ve ÖğretimGazi ÜniversitesiMakine Eğitimi Ana Bilim Dalı
PROF. DR. MUAMMER NALBANT
- Tornalamada kuvvet ölçümlerine dayalı gerçek zamanlı takım aşınmasının izlenmesi
Real time tool wear monitoring based on force measurements in turning
MUSTAFA TANSU BIYIK
Yüksek Lisans
Türkçe
2004
Teknik EğitimSelçuk ÜniversitesiTalaşlı Üretim Eğitimi Ana Bilim Dalı
DOÇ.DR. SÜLEYMAN YALDIZ
- Tornalamada takım geometrisi ve tırlama titreşimlerinin yüzey pürüzlülüğüne etkileri
The effect of tool geometry and chatter vibrations on surface roughness in turning
SÜLEYMAN NEŞELİ
Yüksek Lisans
Türkçe
2006
Makine MühendisliğiSelçuk ÜniversitesiMakine Eğitimi Ana Bilim Dalı
PROF. DR. SÜLEYMAN YALDIZ