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
- Tez No: 998420
- Danışmanlar: PROF. DR. AYTAÇ YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Sayısal görüntü işleme, Yalın üretim, Yapay zeka, Digital image processing, Lean production, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Endüstriyel üretim süreçlerinde kalite, verimlilik ve sürdürülebilirlik, işletmelerin rekabet gücünü belirleyen temel unsurlar arasında yer almaktadır. Özellikle kaynak proseslerinde meydana gelen kusurlar, ürün kalitesini olumsuz etkilemekte, yeniden işleme ve hurda oranlarını artırarak maliyetlere yol açmaktadır. Geleneksel kalite kontrol yöntemlerinin büyük ölçüde insan gözlemine dayanması, hata payını artırmakta ve süreçlerin tutarlılığını sınırlamaktadır. Bu nedenle Endüstri 4.0 kapsamında geliştirilen yapay zeka tabanlı görüntü işleme sistemleri, kalite kontrol süreçlerinde etkin bir alternatif olarak öne çıkmaktadır. Bu tez çalışmasında, endüstriyel mutfak sektöründe faaliyet gösteren İnoksan Mutfak Sanayi ve Ticaret A.Ş.'ye ait robot lazer kaynak hattında oluşan kaynak kusurlarının tespiti amacıyla, yapay zeka destekli görüntü işleme sistemi ile yalın üretim araçlarının bütünleşik olarak kullanıldığı bir model geliştirilmiştir. Çalışma kapsamında, üretim hattının iyileştirilmesi için OEE, SMED, 5S ve VSM gibi yalın üretim araçları uygulanmış, uygulamalar sonucunda hat performansında belirgin iyileşmeler elde edilmiştir. Bu kapsamda OEE değeri %19'dan %74'e yükseltilmiş, SMED çalışmalarıyla kalıp değişim süresi 16 dakikadan 9 dakikaya düşürülerek duruş süreleri azaltılmış ve çevrim sürelerinin iyileştirilmesine katkı sağlanmıştır. Ardından gerçek üretim hattından elde edilen görüntüler kullanılarak YOLOv8 tabanlı derin öğrenme modelleri eğitilmiştir. Oluşturulan veri seti, kusurlu ve kusursuz kaynak dikişlerine ait toplam 600 özgün kaynak görselinden (300 doğru / 300 hatalı) oluşmuş; model performansı doğruluk, ortalama hassasiyet (mAP) ve çıkarım süresi ölçütleri üzerinden değerlendirilmiştir. Yapılan YOLOv8 deneyleri sonucunda geliştirilen kusur tespit modelinde %98,82 mAP50 değerine erişilerek, kaynak kusurlarının yüksek güvenilirlikle tespit edilebildiği gösterilmiştir. Elde edilen bulgular, yapay zeka tabanlı sistemin kaynak kusurlarını yüksek doğrulukla tespit edebildiğini ve manuel kalite kontrol ihtiyacını önemli ölçüde azalttığını göstermektedir. Yalın üretim uygulamaları sayesinde üretim hattında çevrim süreleri kısalmış, ekipman etkinliği artmış ve kalite güvence seviyesi yükselmiştir. Yapay zeka ile yalın üretim araçlarının entegrasyonu hem anlık kusur tespiti hem de süreçlerin sistematik olarak iyileştirilmesi açısından etkili sonuçlar sunmuştur. Bu çalışma, yapay zeka destekli yalın üretim uygulamalarının endüstriyel mutfak sektöründe uygulanabilirliğini ortaya koyarak, literatüre ve endüstriyel kalite kontrol uygulamalarına katkı sağlamaktadır.
Özet (Çeviri)
In industrial production processes, quality, efficiency, and sustainability are among the fundamental factors that determine a company's competitiveness. Especially in welding processes, defects negatively affect product quality and lead to increased costs by raising rework and scrap rates. The fact that traditional quality control methods largely rely on human observation increases the margin of error and limits process consistency. Therefore, artificial intelligence based image processing systems developed within the scope of Industry 4.0 stand out as an effective alternative for quality control. In this thesis study, a model was developed for detecting welding defects occurring on the robot laser welding line of İnoksan Mutfak Sanayi ve Ticaret A.Ş., which operates in the industrial kitchen sector, by integrating an artificial intelligence supported image processing system with lean manufacturing tools. Within the scope of the study, lean manufacturing tools such as OEE, SMED, 5S, and VSM were implemented to improve the production line, and significant performance improvements were achieved. In this context, the OEE value was increased from 19% to 74%, and through SMED practices, the die changeover time was reduced from 16 minutes to 9 minutes, thereby decreasing downtime and contributing to shorter cycle times. Subsequently, YOLOv8-based deep learning models were trained using images obtained from the actual production line. The dataset consisted of a total of 600 original welding images (300 non-defective / 300 defective) of defective and non-defective weld seams. Model performance was evaluated using metrics including accuracy, mean average precision (mAP), and inference time. As a result of the YOLOv8 experiments, the developed defect detection model achieved an 98.82% mAP50, demonstrating that welding defects can be detected with high reliability. The findings indicate that the artificial intelligence based system can identify welding defects with high accuracy and significantly reduces the need for manual quality inspection. Thanks to lean manufacturing implementations, cycle times on the production line were shortened, equipment effectiveness increased, and the level of quality assurance improved. The integration of artificial intelligence with lean production tools provided effective outcomes both for real-time defect detection and for systematic process improvement. This study demonstrates the applicability of artificial intelligence supported lean manufacturing practices in the industrial kitchen sector and contributes to the literature and to industrial quality control applications.
Benzer Tezler
- Çelik yüzey kusurlarının yapay zeka destekli tespiti
Artificial intelligence detection of steel surface defects
YASİN BIYIKLI
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTAÇ ALTAN
- Forecasting for bioethanol production in Turkey
Türkiye'de biyoetanol üretimi için öngörü
EZGİ BAYRAKDAR ATEŞ
Doktora
İngilizce
2017
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. FİLİZ KARAOSMANOĞLU
- Trona mineralinden ticari ölçek soda üretim proseslerinin bilgisayar destekli tasarım ve maliyetlendirilmesi
Computer aided desing and cost estimation model of commercial soda ash production processes from trona mineral
NİLÜFER DURMAZ
- İnulinaz enziminin üretimi ve üretim kinetiklerinin belirlenmesi
Başlık çevirisi yok
GAYE ÖNGEN
Yüksek Lisans
Türkçe
1988
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUHA SUKAN