Konfeksiyon sürecinde tespit edilen dokuma hataları ile iplik tipleri arasındaki ilişkinin yapay sinir ağları ile tahmin edilmesi
Prediction of the relationship between yarn types and weaving defects detected in the confection process with artificial neural networks
- Tez No: 983490
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKHAN UÇKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayar destekli öğrenme, Derin öğrenme, Ev tekstili, Hata tahmini, Makine öğrenmesi, Yapay sinir ağları, Computer assisted learning, Deep learning, Home textile, Error estimation, Machine learning, Artificial neural networks
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Pamukkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, konfeksiyon sürecinde tespit edilen dokuma hataları ile bu hatalara neden olan iplik türleri arasındaki ilişkinin yapay sinir ağları (YSA) ve derin öğrenme (DNN) yaklaşımlarıyla modellenerek hataların önceden tahmin edilmesi amaçlanmıştır. Dokuma işlemi sırasında kullanılan ipliklerin fiziksel ve yapısal özelliklerinin kalite üzerindeki etkileri, çalışmanın temel odak noktasını oluşturmaktadır. Araştırma kapsamında iplik numarası, iplik cinsi, gramaj, sıklık, hav boyu, ebat ve üretilen metre gibi parametreler giriş verisi olarak kullanılmış; çıktı değişkeni ise 100 metredeki hata miktarına göre kalite sınıflarına (İYİ, ORTA, KÖTÜ, RED) ayrılmıştır. Giriş verileri normalizasyon ve sayısal kodlama teknikleriyle işlenmiş, çıktı değişkeni ise hata oranlarına göre one-hot kodlama yöntemiyle temsil edilmiştir. Yapay sinir ağı modeli, başlangıçta tek gizli katmanlı olarak geliştirilmiş; ardından derin tam bağlantılı ağ (Deep Fully Connected Neural Network) mimarisi uygulanarak katman sayısı ve nöron yapısı artırılmıştır. Eğitim sürecinde Adam optimizasyon algoritması, ReLU ve Softmax aktivasyon fonksiyonları, kategorik çapraz entropi kayıp fonksiyonu kullanılmıştır. Modelin performansı doğruluk (Accuracy), F1 skoru ve Balanced Accuracy metrikleriyle değerlendirilmiştir. Sınıf dengesizliği problemi, modelin belirli senaryolarda yalnızca baskın sınıfı tahmin etmesine yol açmış; veri dengeleme (oversampling) uygulandığında ise tüm sınıflarda tahmin dağılımı dengelenmiştir. Dengesiz veriyle %77,7 doğruluk elde edilirken, dengelenmiş veriyle test doğruluğu %74,79, Macro-F1 skoru 0.739, Balanced Accuracy 0.740 olarak hesaplanmıştır. Özellikle“RED”sınıfında 0.95 duyarlılık (recall) ve 0.83 F1 değeri, modelin üretim hatalarını erken evrede tespit etmede başarılı olduğunu göstermiştir. Elde edilen bulgular, dokuma parametreleri ile kalite sınıfları arasındaki ilişkilerin doğrusal olmayan yapıda olduğunu ve derin öğrenme mimarilerinin bu ilişkileri klasik YSA'ya göre daha etkin biçimde yakalayabildiğini göstermektedir. Çalışma, iplik seçimi ve üretim planlamasında karar destek sağlayan, kalite kayıplarını azaltmayı ve üretim sürecinde tahmine dayalı iyileştirme yapılabilmesini mümkün kılan bir model önerisi sunmaktadır.
Özet (Çeviri)
This thesis aims to model and predict weaving defects detected during the garment production process based on the properties of the yarns that cause these defects, using Artificial Neural Networks (ANN) and Deep Learning (DNN) approaches. The main focus of the study is to analyze the influence of the physical and structural characteristics of yarns on woven fabric quality. Within the study, yarn count, yarn type, fabric weight (GSM), density, pile height, size, and produced meter were used as input parameters, while the output variable was the fabric quality class (GOOD, MEDIUM, POOR, REJECT) determined according to the number of defects per 100 meters. Input data were processed through normalization and numerical encoding techniques, and the output variable was modeled using one-hot encoding based on defect ratios. The initial ANN model consisted of a single hidden layer and was later expanded into a Deep Fully Connected Neural Network (DNN) structure with increased layer depth and neuron count. The Adam optimizer, ReLU and Softmax activation functions, and categorical cross-entropy loss were employed during training. Model performance was evaluated using accuracy, F1-score, and balanced accuracy metrics. Due to the class imbalance in the dataset, the model occasionally predicted only the majority class. When data balancing (oversampling) was applied, the model successfully predicted all classes with improved representativeness. The unbalanced dataset yielded 77.7% validation accuracy, while the balanced dataset achieved 74.79% test accuracy, a macro F1-score of 0.739, and balanced accuracy of 0.740. Particularly, the“REJECT”class achieved a recall of 0.95 and an F1-score of 0.83, indicating the model's effectiveness in identifying critical weaving defects at early production stages. The findings reveal that the relationships between weaving parameters and fabric quality are nonlinear, and that deep learning architectures can model these complex interactions more effectively than conventional ANNs. The developed model provides a predictive decision-support tool that can assist in yarn selection, minimize quality losses, and enable proactive process optimization in textile manufacturing.
Benzer Tezler
- Detection and classification of fabric defects with an innovative model and perspective
Kumaş hatalarının yenilikçi bir model ve bakış açısıyla tespit ve sınıflandırılması
SİNEM BİRSEN
Yüksek Lisans
İngilizce
2025
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. CANAN SARIÇAM
- Büyük ölçekli tekstil sektörleri için yeşil üretim ve atık yönetimi
Green production and waste managemetfor large scale textile industries
ERCİH KARACA
Yüksek Lisans
Türkçe
2024
Çevre MühendisliğiSakarya ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÇELEBİ
- Türk tekstil ve konfeksiyon ihracatçısı küçük ve orta ölçekli işletmelerde uluslararasılaşma sürecinde dijitalleşmenin etkileri ve örgütsel öğrenme odaklı bir model önerisi
The effects of digitalization in textile and clothing industries during internationalization with an organizational learning focus: A model proposal
BAHAR DİVRİK
Doktora
Türkçe
2022
İşletmeİstanbul Medipol ÜniversitesiYönetim ve Strateji Bilim Dalı
DOÇ. DR. ELİF BAYKAL
- 3308 sayılı Mesleki Eğitim Kanunu uyarınca Kız Meslek Lisesi öğrencilerine yaptırılan işletmelerde meslek eğitimi uygulamasının değerlendirilmesi
Vocational training practise in business is run accordence with the Law no:3308 for girls` Vocational High School students` assessed
EBRU ALPARSLAN
Yüksek Lisans
Türkçe
2004
Eğitim ve ÖğretimGazi ÜniversitesiDekoratif Sanatlar Eğitimi Ana Bilim Dalı
PROF. DR. MEDİHA GÜLER
YRD. DOÇ. DR. BÜLENT ÖZTÜRK