Derin öğrenme algoritmaları kullanılarak dinamik testlerle sac metal parçalarda çatlak tespiti
Crack detection in sheet metal parts with dynamic tests using deep learning algorithms
- Tez No: 991364
- Danışmanlar: DR. ÖĞR. ÜYESİ ZİYA ÖZÇELİK
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda, kalite kontrol ve hassas ölçüm süreçleri, özellikle otomotiv endüstrisinde olmak üzere modern imalat sektörlerinde kritik bir rol oynamaya başlamıştır. Geleneksel denetim süreçleri, büyük ölçüde insan gözetimine dayandığı için öznel yargılar, tutarsızlıklar ve yüksek frekanslı test ortamlarında yetersiz tepki süreleri gibi önemli sınırlılıklar taşımaktadır. Bu tez çalışmasında, dinamik ve tekrarlı yüklemeler altında çalışan sac metal bileşenlerde ortaya çıkan çatlakların erken evrelerde tespit edilebilmesine yönelik derin öğrenme tabanlı bir yöntem geliştirilmiştir. Çatlak oluşmadan önceki, oluşum aşamasındaki (mikro çatlak–erken evre) ve ileri evre hasarlı durumlara ait geniş ve dengeli bir veri seti oluşturulmuştur. Roboflow platformu aracılığıyla etiketlenmiş yüksek çözünürlüklü görüntülerden oluşan kapsamlı bir veri kümesi ile eğitilmiş YOLOv8, Faster R-ESA, Mask R-ESA ve klasik ESA mimarilerini içermektedir. Veriler, hem Kaggle'da yer alan çelik kusuru veri setlerinden hem de sanayi testlerinden elde edilmiştir. Model performansı, Genetik Algoritmalar, Yapay Arı Kolonisi ve Karınca Kolonisi Optimizasyonu gibi hiperparametre ayarlama teknikleri ile iyileştirilmiştir. 220 bar basınçla çalışan hidrolik pistonlar aracılığıyla çevrimsel gerilme koşulları oluşturan özel tasarım bir test düzeneğiyle deneysel doğrulama gerçekleştirilmiştir. Elde edilen bulgular, derin öğrenme algoritmalarının, özellikle kırılma öncesi mikroskopik çatlakların tespitinde, geleneksel eşik tabanlı görüntü işleme yöntemlerine göre çok daha başarılı olduğunu göstermiştir. Bu çalışma, literatürde ilk kez Raspberry Pi Kamera üç tabanlı görüntüleme sistemiyle dinamik test koşullarında gerçek zamanlı çatlak tespitini gerçekleştirmesi bakımından özgündür. Ayrıca, endüstriyel verilerle laboratuvar verilerini birleştiren hibrit veri seti oluşturularak derin öğrenme modellerinin endüstriyel gerçekliğe uyarlanması sağlanmıştır. Ayrıca sadece kusur tanıma teknolojilerine katkı sunmakla kalmayıp, aynı zamanda sanayide şekillendirme süreçlerinin kalite güvencesi açısından ölçeklenebilir ve maliyet açısından etkin bir çözüm ortaya koymaktadır. Bulgular, otomotiv yedek parça alanında daha güvenli ve sürdürülebilir üretim döngülerine katkı sunmayı hedeflemektedir.
Özet (Çeviri)
In recent years, quality control and precision measurement processes have begun to play a critical role in modern manufacturing industries, particularly in the automotive industry. Traditional inspection processes rely heavily on human oversight, resulting in significant limitations such as subjective judgments, inconsistencies, and insufficient response times in high-frequency testing environments. In this thesis, a deep learning-based method has been developed to detect cracks in sheet metal components operating under dynamic and repetitive loads at an early stage. A large and balanced dataset has been created for pre-crack, crack formation (microcrack–early stage), and advanced damaged stages. It includes YOLOv8, Faster R-ESA, Mask R-ESA, and classic ESA architectures trained on a comprehensive dataset of high-resolution images labeled using the Roboflow platform. The data was obtained from both steel defect datasets available on Kaggle and industrial tests. Model performance was improved using hyperparameter tuning techniques such as Genetic Algorithms, Artificial Bee Colony, and Ant Colony Optimization.Experimental validation was performed using a specially designed test setup that creates cyclic stress conditions via hydraulic pistons operating at 220 bar pressure. The findings demonstrate that deep learning algorithms are significantly more successful than traditional threshold-based image processing methods, particularly in detecting microscopic cracks prior to fracture. This study is unique in that it is the first in the literature to perform real-time crack detection under dynamic test conditions using a Raspberry Pi Camera three-based imaging system. Furthermore, a hybrid dataset combining industrial and laboratory data was created to adapt deep learning models to industrial reality. Furthermore, it not only contributes to defect recognition technologies but also presents a scalable and cost-effective solution for quality assurance in industrial forming processes. The findings aim to contribute to safer and more sustainable production cycles in the automotive spare parts sector.
Benzer Tezler
- High-speed trajectory replanning and trajectory tracking for collision avoidance
Çarpışma önlemek için yüksek hızlı rota planlama ve rota takibi
MEHMET HASANZADE
Doktora
İngilizce
2021
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE KOYUNCU
- İnsansız hava aracı ile elde edilen görüntülerin derin öğrenme yöntemleri ile analizi
Analysis of images obtained by unmanned aerial vehicle by deep learning methods
ÖZGÜR KUTLU
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER DEMİR
DR. BARIŞ DOĞAN
- GPS ve görüntü verisi olmayan ortamlarda insansız hava araçları için derin pekiştirmeli öğrenme tabanlı tam otonom yönelim ve uçuş rota planlaması
Deep reinforcement learning-based fully autonomous orientation and flight path planning for unmanned aerial vehicles in GPS- and vision denied environments
HÜSEYİN KÜÇÜKERDEM
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL YILMAZ
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- LiDAR based ground plane estimation, hybrid visual-LiDAR odometry and navigation of autonomous trucks
Otonom maden sahası kamyonları için zemin düzlemi tahmini, hibrit görsel-LiDAR odometri ve navigasyon sistemi
EREN AYDEMİR
Doktora
İngilizce
2024
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ÜNEL