CDO hiperparametre optimizasyonu ile faster R-CNN-gan hibrit modeline dayalı ürün kontrolünde gerçek zamanlı hata tespit sistemi
Real-time detection of error on images using faster R-CNN-gan hybrid model trough CDO hyperparameter optimization
- Tez No: 971007
- Danışmanlar: DOÇ. DR. OĞUZHAN KARAHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Elektrik ve Elektronik Mühendisliği, Mühendislik Bilimleri, Science and Technology, Electrical and Electronics Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde kalite kontrol süreçleri büyük ölçüde insan kontrolüne dayalı olarak yürütülmekte ve insani faktörlerden dolayı da doğruluk ve verimlilikte yetersizliklere yol açmaktadır. Bu nedenle kalite kontrol proseslerinde derin öğrenme modellerinin kullanımı hızla artmaktadır. Derin öğrenme yöntemlerinin bu hızlı yaygınlaşması veri seti yetersizliğini de beraberinde getirmiştir. Diğer yandan derin öğrenme modellerinin ihtiyaç duyduğu hiperparametrelerin manuel ayarlanması çok fazla deneme ve zaman gerektirdiği için hiper parametre optimizasyon tekniklerine başvurulmaktadır. Yukarıda verilen bilgiler ışığında, bu tez çalışmasında derin öğrenme yöntemlerinden CNN ve FASTER R-CNN modellerinin PSO ve CDO optimizasyon algoritmaları ile hiperparametre optimizasyonları yapılmış ve bu modeller ile GAN sentetik görüntü üretim derin öğrenme modeli hibrit olarak uygulanmıştır. Üretimde oluşabilecek hatalı ürün görüntüleri, veri seti olarak önerilen yöntemlerin test ve eğitiminde kullanılmıştır. Veri seti, GAN modeli ile zenginleştirilerek önerilen model daha güçlü hale getirilmiştir. Yöntemlere ait hiperparametrelerin en iyilenmesinde Çernobil Felaketi Optimizasyonu (CDO) ve Parçacık Sürü Optimizasyonu (PSO) optimizasyon teknikleri uygulanmıştır. Bunun dışında, ikili ve çoklu sınıflandırma olarak tasarlanan modeller değerlendirme metrikleri ile performans karşılaştırması yapılmıştır. Test verilerine göre karşılaştırma yapıldığında değerlendirme metrikleri açısından tasarlanan Faster R-CNN-GAN hibrit modeli, %99 doğruluk oranı ile diğer modellere göre daha üstün performans göstermiştir. Ayrıca, optimizasyon algoritmaları açısından karşılaştırma yapıldığında CDO, modellerin öğrenme hızı ve performansını PSO' ya göre büyük oranda artırmıştır. Önerilen model kullanılarak tasarlanan gerçek zamanlı hata tespit sistemi, görevini başarılı bir şekilde gerçekleştirmiştir. Ayrıca daha önceden öğretilmemiş hata türü için %97 gibi yüksek bir oranda hatalı olduğu yorumu yaparak modelin yeni hatalara karşıda dinamik ve dirençli bir yapıda olduğunu açık bir şekilde ortaya koymuştur.
Özet (Çeviri)
At present, quality control processes are largely carried out through human inspection, leading to inefficiencies in accuracy and productivity due to human factors. Therefore, the use of deep learning models in quality control processes is rapidly increasing. However, the rapid adoption of deep learning methods has also led to a shortage of datasets. Additionally, manually tuning the hyperparameters required for deep learning models demands extensive trial-and-error and significant time investment, necessitating the use of hyperparameter optimization techniques. In light of these considerations, this thesis explores the hyperparameter optimization of deep learning models, specifically CNN and Faster R-CNN, using Particle Swarm Optimization (PSO) and Chernobyl Disaster Optimizer (CDO). Additionally, these models are integrated with a Generative Adversarial Network (GAN) for synthetic image generation, forming a hybrid approach. Defective product images from manufacturing processes are utilized as training and testing datasets. To enhance the robustness of the proposed model, the dataset is augmented using the GAN model. CDO and PSO optimization techniques are applied to optimize the hyperparameters of the methods, and binary and multi-class classification models are evaluated based on performance metrics. Experimental results demonstrate that the hybrid Faster R-CNN-GAN model achieves a 99% accuracy rate, outperforming other models. Furthermore, CDO significantly enhances the learning speed and performance of models compared to PSO. The real-time defect detection system, developed based on the proposed model, successfully performs its task. Moreover, it achieves a 97% accuracy rate in detecting previously unseen defect types, proving that the model is dynamic and resilient to new defects.
Benzer Tezler
- Araçların internetinde (IOV) ağ güvenliğini sağlayacak makine öğrenme yöntemlerine dayalı sağlam bir saldırı tespit sistemi
A robust intrusion detection system based on machine learning methods for ensuring network security in the internet of vehicles (IOV)
MAMADOU KORKA DIALLO
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZHAN KARAHAN
- Fuzzy clustering based ensemble learning approach: Applications in digital advertising
Bulanık kümeleme tabanlı topluluk öğrenmesi yaklaşımı: Dijital reklam alanında uygulamalar
AHMET TEZCAN TEKİN
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
PROF. DR. TOLGA KAYA
- Yapay sinir ağları ve genetik algoritmalar kullanılarak EKG vurularının sınıflandırılması
Classification of ECG beats by using artifical neural networks and genetic algorithms
ZÜMRAY DOKUR
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Kimyasal püskürtme yöntemiyle alde edilen CdO ince filmlerinin bazı yapısal, elektriksel ve optik özelliklerinin incelenmesi
Some structral, electrical and optical properties of CdO thin films prepared by spray pyrolysis technique
İSMAİL POLAT
Yüksek Lisans
Türkçe
2006
Fizik ve Fizik MühendisliğiKaradeniz Teknik ÜniversitesiFizik Ana Bilim Dalı
YRD. DOÇ. DR. EMİN BACAKSIZ