YOLOv8 nesne tespit modeli ile plastik parça yüzey kusurlarının gerçek zamanlı tespit edilmesi
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Üretim sürecinde ürünlerdeki kusurların tespit edilmesi önemli bir konudur. Tespit edilemeyen kusurlu parçaların müşterilere ulaşması firma için iyi bir izlenim oluşturmayacağından dolayı kusurların doğru bir şekilde tespit edilmesi önem arz etmektedir. Çoğu firmanın bu iş için insan gücünden yararlanması pek çok sorunu da beraberinde getirmektedir. İnsan görüşüyle hızlı ve doğru tespitin mümkün olmaması nedeniyle birçok hatalı parçanın üretilmesi ve sonrasında müşteriye gönderilmesi maliyete ve zaman kaybına neden olduğundan kusur tespitinin otomatik hale getirilmesi gerekmektedir. Kusurların tespit edilmesi her sektör için çok önemlidir ancak otomotiv sektöründe üretilen parçalarda görülen kusurların tespit edilmesi özellikle büyük bir önem taşımaktadır. Bu kusurlardan biri olan araç içi parçaların yüzeylerinde görülen kusurlar müşteri memnuniyetini büyük ölçüde etkilediğinden dolayı üretim sırasında dikkatli olunması gerekmektedir. Bu çalışmada, otomotiv yan sanayi sektöründe faaliyet gösteren bir firmada üretilen plastik parçalardaki kusurların YOLOv8 nesne tespit modeli kullanılarak tespiti amaçlanmıştır. Çalışma toplamda üç aşamadan oluşmaktadır. İlk aşamada firmadaki plastik parçalarda görülen kusur tipleri pareto analizi yardımıyla değerlendirilmiş ve en çok görülen kusur tipleri olarak çizik, leke ve parlama seçilmiştir. Daha sonra belirlenen üç kusur tipi için veriler toplanmış ve ön işlemeye tabi tutulmuştur. İkinci aşamada kusurlu parça görüntüleri kullanılarak YOLOv8 modellerinin eğitimi yapılmıştır. Eğitim sonucunda en yüksek mAP değeri 0,990 ile YOLOv8s modelinde, en kısa eğitim süresi ise YOLOv8n modelinde elde edilmiştir. En yüksek mAP değerini veren YOLOv8s modelinde parti boyutu (8, 16 ve 32) ve öğrenme oranı (0,005, 0,01 ve 0,02 ) üzerinden hiper parametre ayarı yapılmıştır ve en iyi çıktıyı veren değerler ile test aşamasına geçilmiştir. Parti boyutu 16 ve öğrenme oranı 0,01 hiperparametre değerleri en iyi sonucu verdiği için test aşamasında bu değerler kullanılmıştır. Üçüncü aşama olan son aşamada ise model test edilmiş ve mAP değeri 0,902 olarak elde edilmiştir. Çalışmadan elde edilen sonuçlar incelendiğinde YOLOv8 nesne tespit algoritmasının plastik parça kusurlarını tespit etmede yüksek hız ve doğrulukla çalışması üretilen parçaların kalite kontrolünde insan faktörlü hataların önlenmesi anlamında katkı sağlayacaktır. Bu yüzden yapılan tez çalışmasının, özelde çalışmanın yapıldığı firmaya genelde ise kusurlarını hızlı ve düşük maliyetle tespit etmek isteyen diğer firmalar için bir rehber olması hedeflenmektedir.
Detecting defects in products during the production process is an important issue. It is important to detect defects accurately, as undetected defective parts reaching customers will not create a good impression for the company. The fact that most companies use manpower for this job brings with it many problems. Since fast and accurate detection is not possible with human vision, producing many defective parts and then sending them to the customer causes cost and time loss, defect detection must be automated. Detecting defects is very important for every sector, but detecting defects in parts produced in the automotive industry is of particular importance. Since one of these defects, the defects seen on the surfaces of vehicle interior parts, greatly affects customer satisfaction, care must be taken during production. In this study, it was aimed to detect defects in plastic parts produced in a company operating in the automotive sub-industry sector by using the YOLOv8 object detection model. The study consists of three stages in total. In the first stage, the defect types seen in the plastic parts of the company were evaluated with the help of Pareto analysis and scratches, stains and shine were selected as the most common defect types. Then, data for the three identified defect types were collected and preprocessed. In the second stage, YOLOv8 models were trained using defective part images. As a result of the training, the highest mAP value of 0.990 was obtained in the YOLOv8s model, and the shortest training time was obtained in the YOLOv8n model. As a result of the training, the highest mAP value of 0.990 was obtained in the YOLOv8s model, and the shortest training time was obtained in the YOLOv8n model. In the YOLOv8s model, which gave the highest mAP value, hyperparameter adjustment was made based on batch size (8, 16 and 32) and learning rate (0.005, 0.01 and 0.02), and the testing phase was started with the values that gave the best output. Since the hyperparameter values of batch size 16 and learning rate 0.01 gave the best results, these values were used in the testing phase. In the third stage, the last stage, the model was tested and the mAP value was obtained as 0.902. When the results obtained from the study are examined, the high speed and accuracy of the YOLOv8 object detection algorithm in detecting plastic part defects will contribute to the prevention of human factor errors in the quality control of the produced parts. Therefore, the thesis study is aimed to be a guide for the company in particular and for other companies in general that want to detect defects quickly and at low cost.
Detecting defects in products during the production process is an important issue. It is important to detect defects accurately, as undetected defective parts reaching customers will not create a good impression for the company. The fact that most companies use manpower for this job brings with it many problems. Since fast and accurate detection is not possible with human vision, producing many defective parts and then sending them to the customer causes cost and time loss, defect detection must be automated. Detecting defects is very important for every sector, but detecting defects in parts produced in the automotive industry is of particular importance. Since one of these defects, the defects seen on the surfaces of vehicle interior parts, greatly affects customer satisfaction, care must be taken during production. In this study, it was aimed to detect defects in plastic parts produced in a company operating in the automotive sub-industry sector by using the YOLOv8 object detection model. The study consists of three stages in total. In the first stage, the defect types seen in the plastic parts of the company were evaluated with the help of Pareto analysis and scratches, stains and shine were selected as the most common defect types. Then, data for the three identified defect types were collected and preprocessed. In the second stage, YOLOv8 models were trained using defective part images. As a result of the training, the highest mAP value of 0.990 was obtained in the YOLOv8s model, and the shortest training time was obtained in the YOLOv8n model. As a result of the training, the highest mAP value of 0.990 was obtained in the YOLOv8s model, and the shortest training time was obtained in the YOLOv8n model. In the YOLOv8s model, which gave the highest mAP value, hyperparameter adjustment was made based on batch size (8, 16 and 32) and learning rate (0.005, 0.01 and 0.02), and the testing phase was started with the values that gave the best output. Since the hyperparameter values of batch size 16 and learning rate 0.01 gave the best results, these values were used in the testing phase. In the third stage, the last stage, the model was tested and the mAP value was obtained as 0.902. When the results obtained from the study are examined, the high speed and accuracy of the YOLOv8 object detection algorithm in detecting plastic part defects will contribute to the prevention of human factor errors in the quality control of the produced parts. Therefore, the thesis study is aimed to be a guide for the company in particular and for other companies in general that want to detect defects quickly and at low cost.
Açıklama
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
