التفاصيل البيبلوغرافية
| العنوان: |
AHŞAP HAM MADDELERDE YÜZEY HATASINI BELİRLEMEK İÇİN GÖRÜNTÜ İŞLEME TABANLI KALİTE KONTROL SİSTEMİ. (Turkish) |
| Alternate Title: |
IMAGE PROCESSING-BASED QUALITY CONTROL SYSTEM TO DETERMINE THE SURFACE DEFECT IN WOODEN RAW MATERIALS. (English) |
| المؤلفون: |
ÇELİK, Yaren, DENGİZ, Berna, GÜNEY, Selda |
| المصدر: |
SDU Journal of Engineering Sciences & Design / Mühendislik Bilimleri ve Tasarım Dergisi; ara2023, Vol. 11 Issue 4, p1365-1382, 18p |
| مصطلحات موضوعية: |
CONVOLUTIONAL neural networks, DEEP learning, IMAGE processing, CLASSIFICATION |
| Abstract (English): |
In modern industries, wood raw materials serve a multitude of purposes across various sectors. Undetected flaws within these materials can significantly impact products, affecting both their visual appeal and durability, leading to compromised marketability. Manual and visual inspection of flawed raw materials is a complex process prone to errors in judgment. The rapid evolution of digital technologies has spurred the creation of automated systems designed for precise quality assessments. This progress enables the early identification of defects during production, thereby preventing the occurrence of defective or substandard end-products. Consequently, this approach reduces labor, material, and time wastage, effectively cutting down associated costs. The present study focuses on distinguishing between defective and intact raw materials using images obtained through a specialized camera system. Deep learning techniques in image processing are employed for this purpose, with a particular emphasis on the Convolutional Neural Network (CNN), a classification method chosen for defect detection. A range of CNN architectures, including ShuffleNet, AlexNet, and GoogleNet, were tested, and the most effective one was identified. The results of these experiments demonstrate that within the realm of CNNs, architectures like MobileNet, DenseNet, and Inception have proven highly successful, leading to improved accuracy in quality control systems. Notably, the Inception-V3 architecture emerges as the top performer, achieving a test accuracy of 88.41%. [ABSTRACT FROM AUTHOR] |
| Abstract (Turkish): |
Günümüzde ahşap ham madde malzemeleri birçok endüstride kullanılmaktadır. Ahşap ham madde üzerinde gözden kaçan kusurlar, son ürünü görsel açıdan ve dayanıklılık bakımından etkileyerek satışını engelleyebilir. Kusurlu ham maddeler üzerinde elle veya görsel kontrol zor ve yanıltıcı olabilir. Sürekli gelişen dijital teknoloji ve akıllı sistemler sayesinde, kalite kontrol için otomasyon sistemleri geliştirilmektedir. Böylece üretimin erken aşamalarında kusurlar tespit edilebilmektedir. Son ürünün kusurlu veya hatalı olması engellenebildiğinde iş gücü, malzeme ve zaman kayıpları önlenebilecek, maliyetler düşürülebilecektir. Bu çalışmada, özel bir kamera sistemi ile elde edilen görüntüler, görüntü işleme temelli Derin Öğrenme (DÖ) yöntemlerinde kullanılarak ahşap ham maddenin kusurlu olup olmadığı ayrımı yapılmaktadır. Kusurların tespitinde kullanılacak model ayrım odaklı bir yöntem olan Evrişimsel Sinir Ağı (ESA) ile geliştirilmiş olup tercih edilen bir yöntemdir. Çalışmada, ShuffleNet, AlexNet, GoogleNet gibi ESA mimarileri denenmiş ve en uygun mimari belirlenmiştir. Çalışmalar sonucunda, ESA mimarileri arasında kusurlu ve kusursuz ahşap ürünlerini belirlemek için kullanılan başarılı yöntemler olan MobileNet, DenseNet ve Inception mimarilerinin, kalite kontrol sistemleri için daha yüksek doğruluk oranları ile sonuçlandığı görülmüştür. En iyi sonuç ise, Inception-V3 mimarisi ile elde edilmiştir ve test doğruluğu %88,41 olarak belirlenmiştir. [ABSTRACT FROM AUTHOR] |
|
Copyright of SDU Journal of Engineering Sciences & Design / Mühendislik Bilimleri ve Tasarım Dergisi is the property of Journal of Engineering Sciences & Design and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) |
| قاعدة البيانات: |
Complementary Index |
