Dokumasız kumaşlarda derin öğrenme ile hata tespiti
Defect detection in nonwoven fabrics using deep learning
- Tez No: 1020755
- Danışmanlar: DR. ÖĞR. ÜYESİ HACI ÖMER DOKUMACI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kahramanmaraş Sütçü İmam Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, dokumasız kumaş üretim sürecinde ortaya çıkan hataların otomatik olarak tespit edilmesi amacıyla derin öğrenme tabanlı bir sınıflandırma sistemi geliştirilmiştir. Çalışmada, endüstriyel kameralar aracılığıyla elde edilen toplam 1148 adet kumaş hatası görüntüsü kullanılmıştır. Bu görüntüler delik, yırtık, incelmiş bölge, renkli telef ve leke olmak üzere beş farklı sınıfa ayrılmıştır. Tez iki aşamalı olarak gerçekleştirilmiştir. Birinci aşamada, EfficientNet B0, ResNet50, Inception V3, MobileNet V2, DenseNet121, VGG16 ve basit CNN olmak üzere toplam yedi farklı derin öğrenme modeli kullanılarak sınıflandırma performansları karşılaştırılmıştır. Her model için doğruluk, kayıp değerleri, karışıklık matrisi ve sınıflandırma raporları analiz edilmiştir. İkinci aşamada ise en yüksek performansı gösteren model seçilerek bu model üzerinden hiperparametre optimizasyonu çalışmaları yapılmıştır ve bu optimizasyonların model üzerindeki etkileri incelenmiştir. Elde edilen sonuçlar, derin öğrenme yöntemlerinin dokumasız kumaş hata tespitinde yüksek doğruluk ve etkinlik sağladığını göstermektedir. Bu çalışma, tekstil sektöründe kalite kontrol süreçlerinin otomatikleştirilmesine katkı sağlayacak bir yaklaşım sunmaktadır.
Özet (Çeviri)
In this thesis, a deep learning-based classification system has been developed to automatically detect defects occurring in the nonwoven fabric production process. A total of 1148 fabric defect images, acquired through industrial cameras, were used in the study. These images were categorized into five diffirent classes hole, tear, thinning area, colored contamination, and stain. The study was conducted in two stages. In the first stage, the classification performances of seven different deep learning models EfficientNet B0, ResNet50, Inception V3, MobileNet V2, DenseNet121, VGG16, and a basic CNN were compared. For each model, accuracy, loss values, confusion matrices, and classification reports were analyzed. In the second stage, the best performing model was selected, and hyperparameter optimization studies were carried out on this model. The impact of these optimizations on model performance was systematically evaluated. The results demonstrate that deep learning methods provide high accuracy and effectiveness in detecting nonwoven fabric defects. This study presents a practical approach that can contribute to the automation of quality control processes in the textile industry.
Benzer Tezler
- Yeni bir suni deri imalat makinesinde üretim parametrelerinin belirlenmesi ve otomasyonunun incelenmesi
Determination of production parameters and investigation of automation in a new artificial leather manufacturing machine
SERHAT AKÇAY
Yüksek Lisans
Türkçe
2018
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜRSEL ŞEFKAT
- İş ve teknik eğitim derslerinde tekstil ve dokumadan yararlanma
Textile and weaving in work and technical education lessons
SELDA KOCABIYIK
- Kayseri yöresinde halıcılık ve yöre ekonomisine katkısı üzerine bir araştırma
Başlık çevirisi yok
KASIM KARAHAN