Pedilen ayak görüntüleri üzerinde derin öğrenme yöntemleri kullanılarak hatalı ürün tespiti
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Sosyal Bilimler Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Endüstriyel üretim süreçlerinde hatalı ürünlerin tespiti, üretim kalitesinin sağlanması ve müşteri memnuniyetinin artırılması açısından kritik bir öneme sahiptir. Hatalı ürün tespiti için öncelikle, ürünün kalite kriterlerine uygunluğunu belirlemek için spesifikasyonlar oluşturulmalıdır. Bu spesifikasyonlar, ürünün fiziksel özelliklerini ve kabul edilebilir kalite standartlarını içermelidir. Yaşamsal faaliyetlerin sürdürülmesi, öz bakım ve ulaşım gibi aktivitelerin gerçekleştirilmesinde büyük rol oynayan ayaklar, doğuştan veya sonradan kaybedilebilmektedir. Gelişen teknolojiyle birlikte bu kaybedilen uzuvların yerini protez denen yapay organlar almaktadır. En yaygın protez çeşitlerinden pedilen ayak üretimini yapan firmamızda üretim sonrası insan gözüyle kalite kontrol yapıldığı için meydana gelen bazı üretim kusurları gözden kaçabilmektedir. Firmamızdaki pedilen ayak üretiminde; kullanılan kimyasalların tam karışmaması veya kalıba enjekte edilmesi sırasında hava yapması sonucu oluşan hava kabarcıkları patlarsa çukur hatası, patlamaz ve kabarcık olarak kalırsa kabarcık hatası olarak ifade edilen hatalı ürünler ortaya çıkmaktadır. Bu hatalı ürünler gelişen teknoloji sayesinde derin öğrenme yöntemlerinin kullanımıyla da tespit edilebilir hale gelmektedir. Bu tez çalışmasında, pedilen ayak üretimi yapan firmadan temin edilen görüntülere Python kodları aracılığıyla görüntü çoğaltma işlemi uygulanması sonucu 1200 görüntüden oluşan veri seti oluşturulmuştur. Bu görüntü veri seti üzerinde derin öğrenme yöntemlerinden evrişimsel sinir ağı mimarileri kullanılarak hatalı ürün tespitinin gerçekleştirilmesi amaçlanmaktadır. Toplam 1200 görüntülük veri seti üzerinde Xception, InceptionResNetV2, DenseNet201, NasNetMobile ve EfficientNetV2S mimarileri uygulanarak sonuçlar karşılaştırılmıştır. Deneysel değerlendirmeler neticesinde, InceptionResNetV2 modelinde en üstün başarı oranlarına ulaşılmıştır. 20 epoch değeri kullanıldığında, %99.72 doğruluk, %99 geri çağırma, %99 kesinlik ve %100 f1 skoru elde edilmiştir.
Detection of faulty products in industrial production processes has a critical importance in terms of ensuring production quality and increasing customer satisfaction. For faulty product detection, first of all, specifications should be created to determine the conformity of the product to the quality criteria. These specifications should include the physical properties of the product and acceptable quality standards. The feet, which play a major role in the maintenance of vital activities, self-care and activities such as transportation, can be lost congenitally or later. With the developing technology, these lost limbs are replaced by artificial organs called prostheses. In our company, which produces padded feet, which is one of the most common types of prostheses, some production defects can be overlooked because quality control is carried out with the human eye after production. In the production of padded feet in our company; If the air bubbles, which are formed as a result of incomplete mixing of the chemicals used or air during injection into the mold, burst, faulty products arise, which are expressed as pit error, and if they do not burst and remain as bubbles, faulty products occur. Thanks to the developing technology, these faulty products can also be detected by the use of deep learning methods. In this thesis, a data set consisting of 1200 images was created as a result of applying image duplication through Python codes to the images obtained from the company that produces the padded feet. It is aimed to perform faulty product detection on this image dataset by using convolutional neural network architectures from deep learning methods. The results were compared by applying Xception, InceptionResNetV2, DenseNet201, NasNetMobile and EfficientNetV2S architectures on a total of 1200 images dataset. As a result of the experimental evaluations, the highest success rates were achieved in the InceptionResNetV2 model. Using 20 epoch values, 99.72% accuracy, 99% recall, 99% precision and 100% f1 score were obtained.
Detection of faulty products in industrial production processes has a critical importance in terms of ensuring production quality and increasing customer satisfaction. For faulty product detection, first of all, specifications should be created to determine the conformity of the product to the quality criteria. These specifications should include the physical properties of the product and acceptable quality standards. The feet, which play a major role in the maintenance of vital activities, self-care and activities such as transportation, can be lost congenitally or later. With the developing technology, these lost limbs are replaced by artificial organs called prostheses. In our company, which produces padded feet, which is one of the most common types of prostheses, some production defects can be overlooked because quality control is carried out with the human eye after production. In the production of padded feet in our company; If the air bubbles, which are formed as a result of incomplete mixing of the chemicals used or air during injection into the mold, burst, faulty products arise, which are expressed as pit error, and if they do not burst and remain as bubbles, faulty products occur. Thanks to the developing technology, these faulty products can also be detected by the use of deep learning methods. In this thesis, a data set consisting of 1200 images was created as a result of applying image duplication through Python codes to the images obtained from the company that produces the padded feet. It is aimed to perform faulty product detection on this image dataset by using convolutional neural network architectures from deep learning methods. The results were compared by applying Xception, InceptionResNetV2, DenseNet201, NasNetMobile and EfficientNetV2S architectures on a total of 1200 images dataset. As a result of the experimental evaluations, the highest success rates were achieved in the InceptionResNetV2 model. Using 20 epoch values, 99.72% accuracy, 99% recall, 99% precision and 100% f1 score were obtained.
Açıklama
Anahtar Kelimeler
Nesne Tespiti, Derin Öğrenme, CNN, Pedilen Ayak, Hatalı Ürün, Object Detection, Deep Learning, CNN, Faulty Produc
