Alçı levha kenar kusurları için derin öğrenme destekli bir yaklaşım

Alçı levha üretiminde kullanılan kalite kontrol yöntemleri yoğun emek gerektiren, zaman alıcı ve insan hatasına açık süreçlerdir. Otomatik kusur tespit sistemleri derin öğrenme tekniklerini kullanarak, bu tür endüstriyel zorlukları çözmede ölçeklenebilir bir çözüm sunmaktadır. Bu çalışma, alçı levhalardaki kenar kusurlarını otomatik olarak tespit etmek için U-Net segmentasyon ve sınıflandırma modellerini kullanan, gerçek zamanlı endüstriyel uygulamalar için bir Raspberry Pi üzerinde uygulanabilir bir sistem geliştirmeyi amaçlamıştır. Önerilen sistem, alçı levha segmentasyonu için bir U-Net modeli kullanmakta ve GoogleNet, AlexNet, ResNet-50 ve Xception gibi dört derin öğrenme modelini sınıflandırma için değerlendirmektedir. Doğruluk, duyarlılık, özgüllük ve kesinlik gibi performans metrikleri analiz edilmiştir. Sistem, Python kullanılarak geliştirilen gerçek zamanlı görüntü yakalama performansı değerlendirmek üzere bir Raspberry Pi üzerinde uygulanmıştır. Segmentasyon modeli için eğitim ve doğrulama metrikleri hesaplanırken, sınıflandırma modelleri karmaşıklık matrisleri ve detaylı metrik karşılaştırmaları ile değerlendirilmiştir. U-Net modeli, %98,38'lik bir Dice Katsayısı ve %96,29'luk bir Ortalama Birliktelik Oranı (IoU) elde ederek sağlam segmentasyon yeteneklerini ortaya koymuştur. Sınıflandırma modelleri arasında GoogleNet, %88,8 ile en yüksek genel doğruluğu sergilerken, AlexNet %96,6 duyarlılıkta üstün başarı göstermiş ve ResNet-50 %98,2 özgüllük ile öne çıkmıştır. Bu çalışma, alçı levha üretiminde otomatik kusur tespiti için derin öğrenme tekniklerinin etkinliğini vurgulamaktadır. Segmentasyon ve sınıflandırma modellerinin Raspberry Pi gibi düşük maliyetli donanımlarla entegrasyonu, kalite kontrol için ölçeklenebilir, verimli ve pratik bir çözüm sunmaktadır. Bulgular, derin öğrenme ve gömülü sistem cihazlarının üretim süreçlerinde kusur tespiti konusunu kökten değiştirme potansiyelini ortaya koymaktadır.