Yazar "Metin, Ahmet" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    Tekstil üretiminde derin öğrenme tabanlı otomatik hata tespit sistemi
    (Bursa Teknik Üniversitesi, 2024) Metin, Ahmet; Özkan, Haydar
    Kumaş hata tespiti, tekstil kalite güvencesi kapsamında üretim standartlarını korumak için tekstil malzemelerindeki düzensizlikleri veya anormallikleri tespit etmeyi amaçlayan önemli bir alandır. Bu hataların tespiti manuel denetimlerle başlamıştır. Bilgisayar görmesinin yaygınlaşmasıyla hata tespit algoritmaları üretilmeye başlanmıştır ve başarımları günden güne artmaktadır. Eş zamanlı olarak istatistiksel metodolojiler ve özellik çıkarımıyla desteklenen desen tanıma algoritmaları, normal ve kusurlu kumaş desenlerini ayırt edebilir duruma gelmiştir. Son yıllarda, özellikle Evrişimli Sinir Ağları (CNN'ler) ve Üretken Çekişmeli Ağlar (GAN'lar) olmak üzere derin öğrenme tekniklerinin entegrasyonu, karmaşık kalıpların ve anormalliklerin analizinde önemli oranda yüksek seviyede doğruluk, verimlilik ve ölçeklenebilirlik sunarak yapı hatası tespitinde devrim yaratmıştır. Yine de bu alanda, kumaş tipolojilerine özgü değişkenliği, ortam aydınlatmasındaki bozulmaları ve ölçeklenebilirlik hususlarını kapsayan zorluklar devam etmektedir. Bu tezde, temel kumaş hatası örnekleri için yeni bir veri seti (YVS) oluşturulmuş ve ek olarak da TILDA veri setinden yararlanılmıştır. YVS ve TILDA veri setindeki görüntüler 416x416 boyutundadırlar. Yüksek çözünürlüklü kamera ile düşük çözünürlüklü kamera arasındaki farkları gidermek, kumaş üzerindeki hataları ayrıntılı görebilmek ve özellikle de küçük boyutlu hataların gözden kaçmasını engellemek için görüntüler gelişmiş süper çözünürlüklü üretken çekişmeli ağ (ESRGAN) modeli ile 4 kat büyütülmüştür. Bu işlemi gerçekleştirebilmek için öncelikli olarak görüntüler 4 kat küçültülerek ESRGAN modeli ile eğitilmiş süper çözünürlüklü yeni görüntüler elde edilmiştir. Eğitim sonunda elde edilen model ağırlıkları kullanılarak, test aşamasında 416x416 boyutundaki orijinal görüntüler, 4 kat büyütülerek 1664x1664 boyutunda yeni süper çözünürlüklü görüntüler elde edilmiştir. Böylece küçük boyutlardaki hatalar daha görünür hale gelmiştir. Daha sonra 1664x1664 görüntü 4x4 matris şeklinde 416x416 boyutlu 16 lokal görüntüye ayrılmıştır. Lokal bölgelere ayrılmış görüntüler, sırasıyla YOLOv8 modeli ile hata tespit işlemine tabi tutulmuş sonrasında test sonuçları tekrar birleştirilerek orijinal görüntü üzerindeki hatalar, global görüntü üzerinde raporlanmıştır. YOLOv8 için etiketleme işleminde doğruluk oranını artırmak ve hatayı doğru tanımlayabilmek için segmentasyon metodu kullanılmıştır. Eğitim ve test işlemleri TILDA veri seti ile ve YVS için ayrı ayrı gerçekleştirilmiştir. Sınırlayıcı maske mAP50 değerleri TILDA için %74.4, YVS'daki koyu ve açık kumaşlar için sırasıyla %92.2 ve %70.7 olarak elde edilmiştir. Ayrıca TILDA veri seti ile gerçekleştirilen ESRGAN ve YOLOv8 eğitim model ağırlıkları YVS modelinde kullanılarak da veriler test edilmiştir. Bu durumda koyu renkli kumaş veri kümesinde sınırlayıcı kutu ve maske sınırlayıcısı %99.5'lik bir mAP50 değerine ulaşırken, açık renkli kumaş veri kümesi için %90'lık bir mAP50 değeri elde edilmiştir. Önerilen sistem ile sade renkli kumaşlarda hata tespitinin başarılı bir şekilde gerçekleştirilebildiği ortaya çıkmıştır. Bundan sonraki çalışmalarda kumaş motifleri ve karmaşık desenlerin olduğu kumaşlardaki hataların tespiti için de araştırmalar yapılması gerekliliği ortaya çıkmıştır.