Evrşimsel sinir ağları ile 3D CAD modeller üzerinde benzerlik analizi

3D CAD (Bilgisayar Destekli Tasarım) modelleri üzerinde benzerlik analizi gerçekleştirmek amacıyla derin öğrenme tabanlı Evrişimsel Sinir Ağı (CNN) mimarileri olan ResNet50, EfficientNet, Xception, MobileNetV2, InceptionResNetV2 ve DenseNet121 detaylı bir şekilde incelenmiş ve karşılaştırmalı bir analiz yapılmıştır. Geleneksel yöntemlerin sınırlı başarımına karşın, CNN mimarilerinin sunduğu gelişmiş özellik çıkarımı yetenekleri, endüstriyel tasarım ve üretim süreçlerinde benzerlik analizlerini daha verimli ve etkin bir hale getirmektedir. Araştırma kapsamında oluşturulan veri seti, her bir 3D CAD modelinin x, y ve z düzlemlerinde; 0°, 45°, 90°, 135°, 180°, 225° ve 270° olmak üzere toplam yedi farklı açıdan elde edilen görüntüler kullanılarak hazırlanmıştır. Bu çok açılı görüntüleme yaklaşımı sayesinde, modellerin farklı perspektiflerdeki performansları değerlendirilmiş ve mimarilerin genel benzerlik tespit başarımı detaylı biçimde analiz edilmiştir. Her bir CNN mimarisinin farklı açılarda gösterdiği performanslar, mimarilerin görsel benzerlik analizindeki güçlü ve zayıf yönlerini ortaya koymaktadır. Bu bağlamda, açıya bağlı doğruluk değişimleri önemli bir analiz kriteri olarak ele alınmış ve mimarilerin çok yönlü değerlendirilmesi sağlanmıştır. Ayrıca model karmaşıklığı ve parametre verimliliği üzerine yapılan analizler, yüksek parametre sayısına sahip olmanın her zaman yüksek performansa karşılık gelmediğini göstermiştir. Verimli ve optimize edilmiş mimarilerin, daha az kaynak kullanımıyla da etkili sonuçlar verebildiği gözlemlenmiştir. Bu çalışma, CNN mimarilerinin endüstriyel tasarım süreçlerinde benzerlik analizine başarılı bir şekilde entegre edilebileceğini ortaya koymaktadır. Görsel benzerlik temelli bu yaklaşım, tasarım sürecinin erken aşamalarında daha önce yapılmış çalışmalara hızlı ve anlamlı erişim imkânı sağlayarak proje sürelerini kısaltmakta, araştırma faaliyetlerini azaltmakta ve genel kaynak kullanımını optimize etmektedir. Böylelikle derin öğrenme tabanlı analizlerin, endüstriyel tasarım ve üretim süreçlerinde inovasyonu destekleyici stratejik bir araç haline gelmesi hedeflenmektedir.