Yazar "Bike, Elif Aydan" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    Endüstriyel üretim hatlarında yapay zekâ destekli kalite kontrol sisteminin geliştirilmesi
    (Bursa Teknik Üniversitesi, 2024) Bike, Elif Aydan; Bayrak, Gökay
    Görüntü işleme teknolojisi, otomotiv başta olmak üzere bir çok sektörde kullanılmakta ve gün geçtikçe teknolojik altyapısı gelişmektedir. Özellikle imalat sektöründe, ürünlerin kalitesini sağlamak ve üretim süreçlerini optimize etmek için görüntü işleme sistemleri sıkça kullanılır. Üretilen parçaların yüzeylerinin incelenmesi, pürüzlülük, çatlaklar, delikler veya diğer kusurların tespit edilmesi için görüntü işleme teknolojisi kullanılmaktadır. Kamera sistemleri, ürün yüzeylerini yüksek çözünürlüklü görüntülerle tarar ve algoritmalar, belirlenen kriterlere uygun olmayan herhangi bir kusuru tespit eder. Üretilen parçaların boyutları ve geometrisi, görüntü işleme teknolojisi kullanılarak ölçülür. Kamera sistemleri, parçaların belirli ölçülere ve toleranslara uygun olup olmadığını kontrol eder ve herhangi bir sapma tespit ederse uyarı verir. Bunlara ek olarak montaj hattında, parçaların doğru monte edilip edilmediği, etiket doğruluğu ve benzeri bir çok üretim ve kontrol aşamasında görüntü işleme teknolojisi yaygın bir şekilde kullanılmaktadır. Bu tezde, makine öğrenmesi yöntemlerinden yararlanarak endüstriyel parçalar üzerindeki hataların saptanması ve sınıflandırılması için uygun yöntemlerin geliştirilmesi hedeflenmiştir. Öncelikle üretim hattındaki parçaların ölçümsel hatalarının bulunması amacı ile belirlenen toleranslara uygun bir kalite yapay görü kontrol sistemi geliştirilmiştir. Daha sonra parça üzerindeki çizik ve çapak problemleri için toplam 2650 adet görüntüden oluşan bir veri seti oluşturulmuştur. Bu veri setinde hatasız, çizik ve çapak olmak üzere 3 temel sınıf oluşturulmuştur. Veri setinin %80'i eğitim ve %20'si test olarak seçilerek sırasıyla DWT, CWT ve UWT dalgacık dönüşümü yöntemleri uygulanmıştır. Öznitelikleri elde edilen görüntüler farklı tip sınıflandırıcılara giriş olarak verilerek en uygun makine öğrenmesi yönteminin elde edilmesine çalışılmıştır. Öznitelik çıkarma işlemleri sonrasında, yapay sinir ağları, destek vektör makineleri, k-en yakın komşu ve karar ağacı gibi sınıflandırıcı metotları denenmiş ve test edilmiştir. Daha sonra, derin öğrenme yaklaşımı ile parça görüntülerinden elde edilen temel dokusal özellikler kullanarak daha ayırt edici özellikler elde edilmeye çalışılmıştır. Tez çalışması sonucunda, endüstriyel parçaların 0,003 ile 0,05 arası sapma ile boyutsal olarak kontrolleri gerçekleştirilmiştir. UWT ve DT kombinasyonu ile gerçekleştirilen makine öğrenmesi yöntemi ise %98,2 başarı ile endüstriyel parçalardaki görsel kusurları tespit edilerek sınıflandırma yapabilmiştir. Derin öğrenme sürecinde ise Gabor Filtresi ile elde edilen görüntüler YOLOv5 kullanılarak eğitilmiş, çizik ve çapak hatalarının yüksek doğruluk ile sınıflandırılması sağlanmıştır. Tez çalışmasında geliştirilen hem ölçüsel kontrol hem de yapay zekâ temelli kontrol yöntemleri, endüstriyel üretim hatları çıkışındaki parçaların kalite kontrolü için pratikte uygulanabilir bir çözüm sunmaktadır.