Derin öğrenme ile çelik hurdasının sınıflandırılması ve tanımlanması
Classification and identification of steel scrap with deep learning
- Tez No: 988982
- Danışmanlar: DR. ÖĞR. ÜYESİ LEVENT KARACAN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Science and Technology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarlı görüntüleme, Derin öğrenme, Görüntü işleme, Görüntü sınıflandırma, Computer imaging, Deep learning, Image processing, Image classification
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İskenderun Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sanayi devrimi sonrasında hızla artan çelik talebi, doğal kaynakların tükenme riskini artırmakta ve çevresel etkileri derinleştirmektedir. Bu bağlamda, çelik hurdasının geri dönüşümü sürdürülebilir üretim açısından büyük önem arz etmektedir. Özellikle elektrikli ark ocaklarında (EAF) çelik hurda kullanımı, yüksek enerji verimliliği ve düşük karbon ayak izi sağlaması nedeniyle çevre dostu bir üretim yöntemi olarak öne çıkmaktadır. Ancak, EAF'da kullanılacak hurdaların doğru ve hızlı bir şekilde sınıflandırılması, hem proses verimliliği hem de nihai ürün kalitesi açısından kritik bir gerekliliktir. Bu tez çalışmasında, hurda yüklü kamyonların kantar üzerinden geçişi sırasında otomatik olarak sınıflandırılmasını sağlayan bir sistem geliştirilmiştir. Geliştirilen sistem, derin öğrenme tabanlı görüntü işleme tekniklerini kullanarak hurda sınıfını otomatik olarak belirlemekte ve sınıflandırma sonucunu sahaya yerleştirilen LED ekran aracılığıyla kamyon şoförlerine bildirmektedir. Böylece, manuel tanımlamaya dayalı süreçlerin doğasında bulunan insan hataları ortadan kaldırılmakta ve hurda lojistiğinde operasyonel verimlilik sağlanmaktadır. Bu çalışmada kullanılan veri seti, gerçek saha koşullarından toplanmıştır. Oluşturulan özel veri kümesi, 8 farklı hurda sınıfını temsil eden 11.787 etiketli görüntüden oluşmakta olup, bu veri setinin 1.407 görüntülük kısmı test işlemleri için ayrılmıştır. Veri setinin doğrudan üretim sahasından toplanmış olması, modelin endüstriyel ortamda uygulanabilirliğini artırmaktadır. Yapılan karşılaştırmalar sonucunda, en yüksek sınıflandırma başarısı gösteren model ConvNeXt Large olmuştur. Bu model, kantarda bulunan kamera tarafından alınan görüntüler üzerinden hurdanın türünü yüksek doğrulukla tahmin ederek, sahada bulunan A ve B olmak üzere iki farklı holdeki toplam 36 boşaltım alanından ilgili alanına yönlendirme yapmaktadır. Sistem sayesinde hurda kabul süreci tamamen otomatik hale getirilmiş ve operasyonel süreklilik sağlanmıştır. Elde edilen bulgular, derin öğrenme temelli görüntü işleme tekniklerinin hurda sınıflandırmasında yüksek doğruluk ve güvenilirlik sunduğunu ortaya koymaktadır. Bu sayede çelik üretim süreçlerinde hem enerji verimliliği artmakta hem de üretim kalitesinde istikrar sağlanmaktadır. Gelecek çalışmalarda veri setinin daha fazla görüntü ve sınıf içerecek şekilde genişletilmesi, gerçek zamanlı üretim sistemlerine tam entegrasyonun sağlanması ve çoklu sensör teknolojileriyle desteklenen hibrit modellerin geliştirilmesi hedeflenmektedir.
Özet (Çeviri)
Following the industrial revolution, the rapidly increasing demand for steel has heightened the risk of depleting natural resources and intensified environmental impacts. In this context, the recycling of steel scrap holds significant importance for sustainable production. Particularly, the use of steel scrap in Electric Arc Furnaces (EAF) stands out as an environmentally friendly production method due to its high energy efficiency and low carbon footprint. However, the accurate and rapid classification of scrap to be used in EAFs is a critical requirement in terms of both process efficiency and the quality of the final product. In this thesis study, a system was developed to automatically classify scrap-laden trucks during their passage over the weighbridge. The developed system utilizes deep learning-based image processing techniques to automatically determine the scrap class and communicates the classification result to truck drivers via an LED display positioned on-site. In this way, human errors inherent in manual classification processes are eliminated, and operational efficiency is achieved in scrap logistics. The dataset used in this study was collected under real field conditions. The custom dataset consists of 11,787 labeled images representing 8 different scrap classes, with 1,407 of these images reserved for testing purposes. The fact that the data was collected directly from an industrial environment enhances the applicability of the model in real-world production scenarios. Among the models tested, ConvNeXt Large achieved the highest classification accuracy. This model predicts the type of scrap with high precision using images captured by the weighbridge camera and directs the truck to the appropriate dumping area among a total of 36 unloading points located in two separate halls (A and B). With this system, the scrap acceptance process has been fully automated, ensuring continuous and efficient operations. The findings demonstrate that deep learning-based image processing techniques offer high accuracy and reliability in scrap classification. Consequently, energy efficiency in steel production processes is increased, and production quality becomes more consistent. Future studies will aim to expand the dataset with more images and additional classes, fully integrate the system into real-time production environments, and develop hybrid models supported by multi-sensor technologies.
Benzer Tezler
- Görüntü işleme ve derin öğrenme yöntemleri ile çelik yüzey kusurlarının tespiti ve sınıflandırılması
Detection and classification of steel surface defects by image processing and deep learning methods
AHMET AYDIN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLHAN AYDIN
- Non-contact and ai-enhanced structural health monitoring: Optical flow-based feature extraction and causal damage localization
Temassız ve yapay zeka destekli yapısal sağlık izleme yaklaşımı: Optik akış ile özellik çıkarımı ve nedensel hasar lokalizasyonu
MOHAMAD ALHASAN
Yüksek Lisans
İngilizce
2025
İnşaat MühendisliğiKaradeniz Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. VOLKAN KAHYA
- Derin öğrenme yöntemiyle geliştirilmiş yapay zeka algoritmalarıyla çocuk hastalarda yapılan dental tedavilerin panoramik görüntüler üzerinde tespiti
Detection of dental treatments performed on paediatric patients using artificial intelligence algorithms developed with deep learning methods on panoramic images
EZGİ GEYLANİ
Diş Hekimliği Uzmanlık
Türkçe
2025
Diş HekimliğiEskişehir Osmangazi ÜniversitesiPedodonti Ana Bilim Dalı
DOÇ. DR. MERVE CANDAN
- Derin öğrenme algoritmaları kullanılarak dinamik testlerle sac metal parçalarda çatlak tespiti
Crack detection in sheet metal parts with dynamic tests using deep learning algorithms
MEHMET EMİN ÖRS
Doktora
Türkçe
2025
Mekatronik MühendisliğiSelçuk ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZİYA ÖZÇELİK
- Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini
Prediction of tool wear from tool noises in turning using deep learning methods
RAMAZAN İLENÇ
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAVAŞ KOÇ