Derin öğrenme tabanlı hatalı ürün tespiti ve sınıflandırılması
Deep learning-based defective product detection and classification
- Tez No: 987620
- Danışmanlar: PROF. DR. SİNEM KULLUK
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Industrial and Industrial Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Üretim hataları, Ürün sınıflandırma, Deep learning, Production errrors, Product classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Karmaşık endüstriyel üretim süreçlerinde, ekipman, malzeme kalitesizliği ve insan faktörleri nedeniyle ürünlerde çeşitli hatalar meydana gelmektedir. Bu hatalar, maliyetlerin artması, hizmet ömrünün kısalması, müşteri memnuniyetinin azalması ve kalitenin olumsuz etkilenmesi gibi istenmeyen durumlara yol açabilmektedir. Bu sorunları azaltmak için, hatalı ürünlerin hızlı ve etkili bir şekilde tespit edilmesi büyük önem taşımaktadır. Bu nedenle, bu tez çalışması kapsamında hibrit bir Evrişimsel Sinir Ağı (CNN) modeli geliştirilmiştir. Üretim hatalarının sınıflandırma doğruluğunu artırmak için Destek Vektör Makinesi (SVM) ile hibritleştirme yapılmıştır. Önerilen yöntemde, özellik çıkarmak için dört farklı CNN mimarisi (AlexNet, MobileNetV2, ResNet50 ve ShuffleNet) ve çıkarılan özelliklerin boyutunu azaltmak için En Az Mutlak Büzülme ve Seçim Operatörü (LASSO) kullanılmıştır. Modelin performansı, yaygın olarak kullanılan ve açık erişimli olarak sunulan üç veri kümesi (metal, kumaş ve gıda veri kümeleri) üzerinde test edilmiştir. Gerçek zamanlı uygulamalar için önemli performans metriklerinden olan sınıflandırma doğruluğu ve yürütme süresinde, hibrit CNN-LASSO-SVM ile anlamlı ve yüksek performanslı sonuçlar elde edilmiştir. CNN-LASSO-SVM hibriti ile hem geleneksel CNN hem de literatürdeki çalışmalar arasında sınıflandırma doğruluğu açısından anlamlı bir fark olup olmadığını test etmek için istatistiksel analizler gerçekleştirilmiştir. Bu tez çalışması kapsamında oluşturulan CNN-SVM hibritlerinden LASSO kullanılarak oluşturulan AlexNet hibriti yürütme süresi açısından geleneksel CNN'den daha iyi performans göstermektedir. Ayrıca, LASSO kullanılmadan gerçekleştirilen AlexNet hibriti, metal, gıda ve kumaş veri kümeleri için sırasıyla %98,29, %99,82 ve %97,37 oranında sınıflandırma doğruluğu elde etmiştir.
Özet (Çeviri)
In complex industrial manufacturing processes, various product defects may occur due to equipment-related issues, poor material quality, and human factors. These defects can lead to undesirable consequences such as increased costs, reduced service life, decreased customer satisfaction, and negative impacts on overall quality. To mitigate such problems, the rapid and effective detection of defective products is of critical importance. Therefore, in this dissertation a hybrid Convolutional Neural Network (CNN) proposed. To enhance classification accuracy in identifying manufacturing defects, four different CNN architectures (AlexNet, MobileNetV2, ResNet50, ShuffleNet) are hybridized with a Support Vector Machine (SVM). In the proposed approach, a CNN is employed for feature extraction and the Least Absolute Shrinkage and Selection Operator (LASSO) is utilized to reduce the dimensionality of the extracted features. The performance of the proposed model is evaluated using three widely used and publicly available datasets in literature (metal, fabric, and food datasets). Considering key performance metrics essential for real-time applications in terms of classification accuracy and execution time- the hybrid CNN-LASSO-SVM algorithm yields significant and high-performing results. Statistical analyses are also conducted to test whether there is a significant difference in classification accuracy between the CNN-LASSO-SVM hybrid and both the conventional CNN and previous studies reported in literature. AlexNet hybrid created using LASSO, one of the CNN-SVM hybrids developed within the scope of this dissertation, performs better than the conventional CNN in terms of execution time. Additionally, the AlexNet-SVM hybrid without LASSO achieves classification accuracies of 98.29%, 99.82%, and 97.37% for the metal, food, and fabric datasets, respectively.
Benzer Tezler
- Vısıon transformer ve yolo tabanlı hatalı ürün tespit-sınıflandırma sistemi
Vision transformer and yolo-based faulty product detection-classification system
IBRAHIMA KALIL CONDE
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET SOLAK
- Gerçek zaman-imge işleme temelli kumaş kalite kontrol sistemi
Real time-image processing based fabric quality control system
MEHMET ERDOĞAN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Hatalı yerleştirilen araç sigortalarının şablon eşleştirme yöntemiyle tespiti
Detection of misplaced vehicle fuses using template matching method
MUSTAFA KARAKURT
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET KÜÇÜKER
- Kaynak üretim proseslerinde yalın üretim ve yapay zeka entegrasyonu ile gerçek zamanlı kusur tespiti
Real time defect detection through integration of lean manufacturing an artificial intelligence in welding production proceesses
MUHARREM GÖKHAN ÖZGÜNGÖR
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri MühendisliğiBursa Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AYTAÇ YILDIZ
- Endüstriyel kalite güvence sisteminin geliştirilmesi ve bir bulaşık makinesi fabrikasına uygulanması
Development of an industrial quality assurance system for a dishwasher plant
MAKARIOS RAFAT EISA AZER
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAFFET AYASUN