Üç boyutlu baskı sürecinde üretim hatalarının derin öğrenme ve görüntü işleme yöntemleri ile tespiti
Detection of manufacturing defects in the three-dimensional priting process with deep learning and image processing methods
- Tez No: 1014114
- Danışmanlar: DOÇ. DR. BEKİR AKSOY, DOÇ. DR. KORAY ÖZSOY
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Evrişimli sinir ağları, Görüntü işleme, Deep learning, Convolutional neural networks, Image processing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Eklemeli imalat teknolojileri, karmaşık geometrilere sahip parçaların hızlı ve düşük maliyetle üretilebilmesine olanak tanıyarak endüstriyel üretim alanında önemli bir dönüşüm sağlamıştır. Bununla birlikte, Ergiyik Yığma Modelleme (FDM) süreçlerinde ortaya çıkan farklı üretim hataları, üretilen parçaların yüzey kalitesini ve mekanik dayanımını olumsuz yönde etkileyebilmektedir. Tez çalışmasında, FDM baskı sürecinde meydana gelen hataların derin öğrenme ve görüntü işleme teknikleri kullanılarak yüksek doğrulukla ve otomatik olarak tespit edilmesi amaçlanmıştır. Çalışma kapsamında katman kayması, eksik ekstrüzyon, desteksiz çıkıntı ve kusursuz üretim durumlarını içeren toplam 1927 adet baskı numunesi üretilmiştir. Bu numunelerin her biri kamera sistemi kullanılarak üç farklı açıdan görüntülenmiş ve böylece 5781 adet görüntüden oluşan bir veri seti elde edilmiştir. Elde edilen görüntüler veri sayısını arttırmak ve derin öğrenme modellerinin performansını arttırmak amacıyla üzerinde veri artırma ve farklı filtreleme yöntemleri uygulanarak veri seti genişletilmiş ve yaklaşık 74 000 görüntüden oluşan bir eğitim veri tabanı oluşturulmuştur. Hazırlanan veri seti; VGG16, AlexNet, MobileNetV2, ResNet50, RNN, DNN, CNN ve bu çalışma kapsamında geliştirilen FDM_Hata_Net mimarileri kullanılarak eğitilmiş ve 5-kat çapraz doğrulama yöntemi ile değerlendirilmiştir. Deneysel sonuçlar, VGG16 mimarisinin %99.76 doğruluk oranı ile en yüksek performansı sergilediğini, geliştirilen FDM_Hata_Net modelinin ise %99.02 doğruluk oranı ile popüler mimarilerle rekabet edebilecek düzeyde bir başarı gösterdiğini ortaya koymuştur. Elde edilen bulgular, evrişimli sinir ağlarının görüntülerdeki mekânsal öznitelikleri etkin biçimde öğrenme konusundaki üstünlüğünü ortaya koyarken, önerilen yaklaşımın endüstriyel 3B yazıcı sistemlerinde otonom kalite kontrol uygulamalarının geliştirilmesi açısından güvenilir bir temel sunduğunu göstermektedir.
Özet (Çeviri)
Additive manufacturing technologies have enabled the rapid and low-cost production of parts with complex geometries, bringing about a significant transformation in industrial production. However, various production errors arising in Fused Deposition Modeling (FDM) processes can negatively affect the surface quality and mechanical strength of the produced parts. The thesis aims to detect errors occurring in the FDM printing process with high accuracy and automatically using deep learning and image processing techniques. Within the scope of the study, a total of 1927 print samples were produced, including layer slippage, incomplete extrusion, unsupported overhangs, and flawless production conditions. Each of these samples was imaged from three different angles using a camera system, resulting in a dataset consisting of 5781 images. The images obtained were expanded by applying data augmentation and different filtering methods to increase the amount of data and improve the performance of deep learning models, creating a training database consisting of approximately 74 000 images. The prepared dataset was trained using the VGG16, AlexNet, MobileNetV2, ResNet50, RNN, DNN, CNN, and FDM_Hata_Net architectures developed within the scope of this study, and evaluated using a 5-fold cross-validation method. Experimental results show that the VGG16 architecture demonstrated the highest performance with an accuracy rate of 99.76%, while the developed FDM_Hata_Net model achieved a success rate of 99.02%, enabling it to compete with popular architectures. The findings reveal the superiority of convolutional neural networks in effectively learning spatial features in images, while demonstrating that the proposed approach provides a reliable foundation for developing autonomous quality control applications in industrial 3D printer systems.
Benzer Tezler
- 1981 Türkiye tarımsal yapısının önemli bileşenleri ve tarımsal bölgelerin elde edilmesi
Principle components of Turkey's agricultural structure and to determine agricultural rigions in 1981
İHSAN KARABULUT
- Buğdayda farklı melezleme teknikleri kullanarak tohum tutma oranının saptanılması
Başlık çevirisi yok
İSMAİL TÜZÜN
Yüksek Lisans
Türkçe
1986
ZiraatUludağ ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. HALİS RUHİ EKİNGEN
- Bazı sert çekirdekli meyve türlerinde döllenme biyolojisi üzerinde yöntem çalışmaları
Başlık çevirisi yok
ATBİMOĞLU ADALET