Real-time defect detection and quality control in deep drawn parts with image processing
Derin çekilmiş parçalarda görüntü işleme ile anlık hata tespiti ve kalite kontrolü
- Tez No: 989958
- Danışmanlar: DR. ÖĞR. ÜYESİ SADIK OLGUNER
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Konstrüksiyon ve İmalat Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin çekme işlemi, endüstride yaygın olarak kullanılan ancak farklı geometrik hatalara yatkın bir üretim yöntemidir. Geleneksel manuel kalite kontrol yöntemleri, insan faktörüne bağlı öznellik içermesi ve yavaş olması nedeniyle sürdürülebilirliğini yitirmiştir. Bu çalışma, derin çekilmiş yansıtıcı metal yüzeylerdeki hataların gerçek zamanlı tespiti ve sınıflandırılması için derin öğrenme tabanlı bir bilgisayarlı görü sistemi geliştirilmesini konu almaktadır. Çalışma kapsamında, eksantrik prese entegre edilen özel bir görüntüleme düzeneği ile üretim koşullarını simüle eden özgün bir veri seti oluşturulmuştur ve kulaklanma, yırtılma, kırışıklık ve kusursuz olmak üzere dört farklı sınıf tanımlanmıştır. Çalışmada, YOLOv8, YOLOv10 ve YOLOv11 mimarilerinin small ve medium ölçekleri, sistematik bir karşılaştırmaya tabi tutulmuştur. Farklı hiperparametre konfigürasyonlarını kapsayan 36 farklı varyasyon eğitilmiş ve test edilmiştir. Deneysel sonuçlar, YOLOv11s modelinin 0,83 mAP50 skoru ile en yüksek performansı sergilediğini göstermiş, gerçek zamanlı doğrulama testlerinde de kararlılığını koruyarak 0,84 ortalama doğruluk oranına ulaşmıştır. YOLOv8m modeli, eğitim aşamasında rekabetçi sonuçlar vermesine rağmen, gerçek zamanlı testlerde aşırı uyum göstererek kusursuz parçalarda %36 oranında hatalı tespitte bulunmuştur. Buna karşın, YOLOv11s modeli, çevresel değişkenlere karşı üstün bir genelleme yeteneği sergilemiştir.
Özet (Çeviri)
Deep drawing is a widely used production method in industry but is prone to various geometric defects. Traditional manual quality control methods have lost their sustainability due to their subjectivity, which depends on human factors, and their slowness. This study focuses on developing a deep learning-based computer vision system for the real-time detection and classification of defects on deep-drawn reflective metal surfaces. Within the scope of the study, a unique dataset simulating production conditions was created using a special imaging setup integrated into an eccentric press, and four different classes were defined: burrs, tears, wrinkles, and flawless. In the study, the small and medium scales of the YOLOv8, YOLOv10, and YOLOv11 architectures were systematically compared. Thirty-six different variations covering different hyper parameter configurations were trained and tested. Experimental results showed that the YOLOv11s model demonstrated the highest performance with a score of 0.83 mAP50, maintaining its stability in real-time validation tests and achieving an average accuracy rate of 0.84. Although the YOLOv8m model yielded competitive results during training, it showed overfitting in real-time tests, resulting in 36% false detections in flawless parts. In contrast, the YOLOv11s model demonstrated superior generalization ability against environmental variables.
Benzer Tezler
- Pulmoner hipertansiyon etyopatogenezinde prostasiklin ve lökotrien C4'ün rolü
Possible role of leukotrien C4 and prostacyclin in the development of pulmonary hypertension
ÜLKÜ AYBERK
