Lazer kesim makineleri için özel şekilli boru ve profillerin görüntü işleme ile sınıflandırılması
Küçük Resim Yok
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/embargoedAccess
Özet
Teknolojinin gelişmesiyle bilgisayar tabanlı sistemler sayesinde birçok problem çözümünde üretime hız kazandıran, yüksek performanslı yöntemler geliştirilmektedir. Gelişen endüstride seri üretim, kalite kontrol, otomasyon vb. konularda insan gücünün yetersiz ya da yavaş kaldığı durumlarda görüntü işleme yöntemleri hızlı, verimli ve optimize çözümler üretilmesine aracı olmaktadır. Gözle kontrolün mümkün olmadığı, sensörler ile algılama yeteneğinin yetersiz kalması durumlarında, insan gücü ile rutin olarak yapılan işlerde görüntü işleme yöntemlerinin kullanılması iş güvenliği, zaman ve maliyet açısından etkinliğin artırılmasında fayda sağlanmaktadır. Bilgisayar tabanlı sistemlerde düşük maliyet, yüksek kalite ve minimum iş gücü sağlanarak verim artırılabilmektedir. Bu tez çalışmasında metal işleme sektöründe yaygın olarak kullanılan lazer boru-profil kesim makineleri için özel şekilli boru-profillerin sınıflandırılma işlemini gerçekleştirebilen bir uygulama çözümü sunulmuştur. Boru-profil kesim makinelerinde tam otomatik boru-profil yükleme sistemleri kullanılmaktadır. Bu sistemlerde yüklenen boru-profilin otomatik olarak algılanması geleneksel yöntemlerle mümkün değildir. Mevcut makinelerde bulunan otomatik yükleme sistemleri bu yetersizlikten dolayı aynı anda yalnızca tek tip boru-profilin yüklenmesine izin vermektedir. Bu durum zaman kaybına yol açmaktadır. Diğer yandan boru-profillerin otomatik algılanamaması mekanik olarak tasarımda birçok kompleks yapının kullanılmasını gerektirmektedir. Bu tez çalışmasında endüstri koşulları dikkate alınarak geliştirilen uygulama ile özel şekilli boru-profillerin sınıflandırma işlemi gerçekleştirilmektedir. Otuz farklı boru-profil şekli için veri tabanı oluşturularak, geniş yelpazede sınıflandırma işlemi yapılması amaçlanmıştır. Oluşturulan veri tabanlarındaki veriler görüntü işleme yöntemleriyle çoğaltılmıştır. Veri tabanındaki görüntülere geliştirilen görüntü ön işleme algoritması uygulanarak derin ağ eğitimlerinde başarı oranı artışı sağlanması amaçlanmıştır. Oluşturulan veri tabanları ile GoogleNet ve ResNet derin ağları kullanılarak farklı veri tabanı kombinasyonları için eğitim ve testler gerçekleştirilmiştir. Derin ağ eğitim sonuçları ve gerçek zamanlı uygulamada yapılan testlere göre daha kısa eğitim süresine sahip daha yüksek doğruluk sağlayan, işlenmiş ve işlenmemiş görüntülerin bulunduğu veri tabanı ile eğitilen GoogleNet modeli uygun bulunmuştur. Model doğruluk ortalaması %99,73 olarak ölçülmüş, sınıflandırma tahmin süresi ise ortalama 89 milisaniye olarak gözlemlenmiştir. Model gerçek zamanlı testlerde 30 sınıf için yapılan tahminlerin tümünde doğru sınıf tahmininde bulunmuştur. ResNet ile eğitilen modeller eğitim süresinin fazla olması, sınıflandırma tahminlerinde yüksek hata oranı ve yaklaşık 2 kat daha yavaş sınıflandırma süresi ile tercih edilmemiştir.
New technologies provide high-performance and high accuracy on computer-based systems. Image processing and machine learning are developed to solve complex problems. Image processing methods are highly effective in cases where manpower is insufficient or slow in mass production, quality control, automation area. Image processing is capable to increase productivity and efficiency. In cases where visual control is not possible and the ability to detect with sensors is impossible, the use of image processing methods may serve low cost, well-optimized and safe processes. In this thesis, a solution that is classifying shaped tubes-profiles that are used in the metal fabricating industry is presented. Fully automatic pipe-profile loading systems are used in laser cutting machines. Automatic detection of the loaded tube and profile in these systems is not possible with traditional methods. Due to this inadequacy, the automatic loading systems in the existing machines allow only one type of tube-profile to be loaded at the same time. This problem leads to a waste of time. On the other hand, the inability to detect tubes-profiles automatically requires the use of many complex structures in mechanical design. In this thesis, the classification process of special-shaped tube-profiles is carried out with the application developed by taking into account the industrial conditions. It is aimed to perform a wide range of classification processes by creating a database for thirty different tube-profile shapes. The data in the created databases were reproduced via image processing methods. It is aimed to increase the accuracy rate in deep network training by applying the developed image preprocessing algorithm to the images in the database. Training and tests were carried out for different database combinations using the created databases and GoogleNet and ResNet deep networks. The GoogleNet model, which is trained with a database of processed and unprocessed images, is successful, providing higher accuracy with a shorter training time compared to the deep network training results and the tests made in the real-time application. The model accuracy average was measured as 99.73%, and the classification prediction time was observed as 89 milliseconds on average. The model predicted the correct class in all of the predictions made for 30 classes in real-time tests. Models trained with ResNet are not preferred due to the high training time, the high error rate in classification predictions, and approximately 2 times slower classification time.
New technologies provide high-performance and high accuracy on computer-based systems. Image processing and machine learning are developed to solve complex problems. Image processing methods are highly effective in cases where manpower is insufficient or slow in mass production, quality control, automation area. Image processing is capable to increase productivity and efficiency. In cases where visual control is not possible and the ability to detect with sensors is impossible, the use of image processing methods may serve low cost, well-optimized and safe processes. In this thesis, a solution that is classifying shaped tubes-profiles that are used in the metal fabricating industry is presented. Fully automatic pipe-profile loading systems are used in laser cutting machines. Automatic detection of the loaded tube and profile in these systems is not possible with traditional methods. Due to this inadequacy, the automatic loading systems in the existing machines allow only one type of tube-profile to be loaded at the same time. This problem leads to a waste of time. On the other hand, the inability to detect tubes-profiles automatically requires the use of many complex structures in mechanical design. In this thesis, the classification process of special-shaped tube-profiles is carried out with the application developed by taking into account the industrial conditions. It is aimed to perform a wide range of classification processes by creating a database for thirty different tube-profile shapes. The data in the created databases were reproduced via image processing methods. It is aimed to increase the accuracy rate in deep network training by applying the developed image preprocessing algorithm to the images in the database. Training and tests were carried out for different database combinations using the created databases and GoogleNet and ResNet deep networks. The GoogleNet model, which is trained with a database of processed and unprocessed images, is successful, providing higher accuracy with a shorter training time compared to the deep network training results and the tests made in the real-time application. The model accuracy average was measured as 99.73%, and the classification prediction time was observed as 89 milliseconds on average. The model predicted the correct class in all of the predictions made for 30 classes in real-time tests. Models trained with ResNet are not preferred due to the high training time, the high error rate in classification predictions, and approximately 2 times slower classification time.
Açıklama
Anahtar Kelimeler
Derin öğrenme, Deep learning, Lazer kesme tezgahı, Laser cutting machine, Mekatronik, Mechatronics, Sınıflandırma, Classification
