Derin öğrenme yöntemi ile kumaş hatalarının otomatik tespiti ve sınıflandırılması

Günümüzde, tekstil endüstrisi sürekli büyüyen ve günler geçtikçe önemi artan bir sektör haline gelmiştir. Kaliteli ve hatalardan arınmış kumaşların üretimi, hem üreticiler hem de tüketiciler için büyük bir öneme sahiptir. Ancak, kumaş üretimi sürecinde hataların ortaya çıkması kaçınılmaz olabilir ve bu da hem maliyeti artırır hem de ürünlerin kalitesini olumsuz yönde etkiler. Bu nedenle, kumaş hatalarının erken aşamada tespit edilmesi ve müdahale edilmesi, tekstil endüstrisi için kritik bir ihtiyaç haline gelmiştir. Bu tez çalışmasında, topbaşı hatası, yağ lekesi hatası, iplik hatası ve delik hatası gibi hatalardan oluşan bir kumaş veri seti için YOLO temeli bir yapay zeka yöntemi ile etkin bir hata tespit sisteminin geliştirilmesi amaçlanmıştır. Bu çalışmada, daha önce kullanılmamış bir veri seti toplanmıştır. Veri seti, kumaş hatalarının tespiti amacıyla özel olarak oluşturulmuş ve mevcut literatürde yayınlanmış başka bir veri setinden de faydalanılmıştır. Her iki veri seti birleştirilerek 5590 görüntü den yeni bir veri seti elde edilmiştir. İlk olarak veri setindeki tüm görüntüler için hata sınıfına ait etiketler belirtilmiştir. Daha sonra YOLO algoritmasının performansını iyileştirmek için sadece eğitim veri setindeki görüntüler veri arttırma yöntemleri ile sentetik olarak çoğaltılmıştır. YOLO algoritmalarının kumaş hatalarını tespit edebilme yeteneklerini değerlendirmek için bir takım deneysel çalışmalar Python programı ile gerçekleştirilmiştir. Yapılan deneysel analizlere göre modellerin ortalama hassasiyet (mAP), kesinlik (p) ve duyarlılık (R) performans ölçüleri başarı performans değerleri elde edilmiştir. Yapılan deneylerdeYOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, YOLOv7 ve YOLOv8s algoritmaları kullanılmıştır. Deneysel sonuçlara göre, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv7 ve YOLOv8s modellerin verdiği sonuçları ise sırasıyla; %84, %84.5, %86, %85 ve %83 ortalama hassasiyet (mAP), %87, %87, %87.2, %86 ve %83.2 kesinlik (P), %83, %83.2, %84.6, %84 ve %83.2 duyarlılık (R) değerleri elde edilmiştir. Yapılan çalışmaların neticesinde en iyi sonucu Yolov5x modeli vermiştir %86 ortalama hassasiyet, %87.6 kesinlik ve %85.1 duyarlılık değerlerine ulaşmıştır. Çalışmanın sonuç kısımında ise YOLOv5x'in sonucu diğer modellerin sonuçları ile karşılaştırılmıştır ve iyileştirme değerleri hesaplanmıştır. Gelecekteki bölümlerde YOLO algoritması ve yapılan işlemlerden detaylı bir şekilde bahsedilmişitr.