Deri kumaş yüzeylerindeki anomalilerin derin öğrenme mimarileri ile tespit edilmesi ve sınıflandırılması
Detection and classification of anomalies on leather surfaces using deep learning architectures
- Tez No: 990462
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Anomali tespiti, Ham deri, Yapay zeka ve makine öğrenmesi dersi, Ürün sınıflandırma, Anomaly detection, Rawhide, Artificial intelligence and machine learning course, Product classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Niğde Ömer Halisdemir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Üretim sonrası kalite kontrol süreçleri; kumaş, metal, ahşap ve özellikle deri yüzeylerinde kritik bir rol oynamaktadır. Bu çalışmada, deri yüzeylerindeki kusurların tespiti ve sınıflandırılması amacıyla derin öğrenme tabanlı iki yaklaşım uygulanmıştır. İlk aşamada, kusurların konumlandırılması için Attention U-Net mimarisi kullanılmıştır. Dikkat mekanizması sayesinde klasik U-Net'e kıyasla anlamlı bir performans artışı elde edilmiştir (IoU: 0.4261, Dice: 0.5270). İkinci aşamada kusur türlerinin sınıflandırılması amacıyla VGG16 modeli temel alınmış, modele ImageNet ağırlıkları (transfer öğrenme) ve dikkat katmanları entegre edilmiştir. Ayrıca VGG16'dan çıkarılan özellikler karar ağacı, rastgele orman ve XGBoost gibi klasik makine öğrenmesi sınıflandırıcılarında değerlendirilmiştir. Araştırmada üç farklı veri seti kullanılmıştır: masaüstü, endüstriyel ve karma veri setleri. Bu veri setlerinde hatalar üç temel sınıfta toplanmıştır: çizik/yara izi, delik ve renk lekesi. Eğitim aşamasında veri artırma teknikleri uygulanmış; test verileri gerçekliği korumak için artırma işlemine dahil edilmemiştir. Karşılaştırmalı deneyler, en yüksek sınıflandırma başarısının VGG16 + ImageNet + Attention modeli ile masaüstü veri setinde elde edildiğini göstermiştir (Test doğruluğu: 91.43). Endüstriyel veri seti daha zorlayıcı olduğundan performans nispeten daha düşük kalmıştır (Test doğruluğu: 87.18). Sonuç olarak, transfer öğrenme ve dikkat mekanizması, deri yüzey kusurlarının hem tespiti hem de sınıflandırılmasında modelin doğruluğunu ve genelleme kapasitesini önemli ölçüde artırmıştır. Önerilen yöntem, endüstriyel kalite kontrol süreçlerinde yüksek güvenilirlik sağlayan etkili bir çözüm sunmaktadır.
Özet (Çeviri)
Post-production quality control processes play a critical role in evaluating surfaces such as fabric, metal, wood, and particularly leather. In this study, two deep learning–based approaches were employed for the detection and classification of defects on leather surfaces. In the first stage, the Attention U-Net architecture was used to localize defects. Owing to the incorporated attention mechanism, a significant performance improvement was achieved compared to the classical U-Net (IoU: 0.4261, Dice: 0.5270). In the second stage, the VGG16 model was adopted for defect-type classification, and ImageNet weights (transfer learning) as well as attention layers were integrated into the model. Furthermore, features extracted from VGG16 were evaluated using classical machine-learning classifiers such as decision tree, random forest, and XGBoost.Three different datasets were used in the study: desktop, industrial, and hybrid datasets. Defects in these datasets were grouped into three main categories: scratch/scar, hole, and color stain. During the training phase, data augmentation techniques were applied; however, augmentation was not performed on test data in order to preserve their authenticity. Comparative experiments demonstrated that the highest classification performance was achieved on the desktop dataset using the VGG16 + ImageNet + Attention model (Accuracy: 91.43). The industrial dataset, being more challenging, yielded relatively lower performance (Accuracy: 87.18).In conclusion, transfer learning and attention mechanisms significantly enhanced both the detection and classification accuracy of leather surface defects, improving the model's generalization capability. The proposed method offers an effective and highly reliable solution for industrial quality control processes.
Benzer Tezler
- Kronik spontan ürtiker hastalarında Akdeniz Diyeti ve serum I-FABP düzeylerinin ilişkisi
Association of Mediterranean Diet and serum I-FABP levels in patients with chronic spontaneous urticaria
EGE AYKAŞ
Tıpta Uzmanlık
Türkçe
2024
DermatolojiSüleyman Demirel ÜniversitesiDeri ve Zührevi Hastalıklar Ana Bilim Dalı
PROF. DR. İJLAL ERTURAN
- Ebru sanatının kumaş ve deri üzerine aktarılıp performans özelliklerinin araştırılması ve sürdürülebilir modadaki örnekleri
Investigation of the performance characteristics of fabric and leather on the transferred Ebru art and examples of fashion
GÜLAY AYYILDIZ
Yüksek Lisans
Türkçe
2015
Tekstil ve Tekstil MühendisliğiSüleyman Demirel ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET DAYIK
- Beyaz dut (Morus alba L.) yaprağı ekstraktının pamuklu kumaş, yün kumaş, yün iplik, polyester, deri ve çam ahşap numunelerinin boyanabilirlik, antibakteriyal ve antioksidan özellikleri üzerine etkilerinin incelenmesi
The investigation of the effects of white mulberry (Morus alba L.) leaf extract on dyeability, antibacterial and antioxidant properties of cotton fabric, wool, fabric wool yarn, polyester, leather and pine wood samples
ELİF AKTÜRK BOZDEMİR
- Ceviz (Juglans regia L) kozası (meyve kabugu)`ndan boyar madde ekstraksiyonu: Yün, tüylü deri ve pamuklu kumaş bayama
Extraction of dyestuff from cocoon of walnut (Juglans regia L): Dyeing of wool, feathered-leather and cotton
NUSRET CAMCI
- Palamut meşesi (quercus cerris)'nden boyar madde ekstraksiyonu yün, pamuk ve tüylü deri boyama
Extraction of dyestuff from volania oak (quercus cerris) and dyeing of wool, cotton and feathered leather
ALAATTİN YILDIZ