Transfer öğrenmesi tekniği tabanlı derin öğrenme yöntemiyle ürün tanıma

Üretim yapan fabrikalarda üretim esnasında makine ve robotların payı oldukça fazla olmasına rağmen, üretimde insan faktörü olmazsa olmaz sektörler mevcuttur. Üretimin herhangi bir aşamasında insan eliyle üretim söz konusu ise hatalı ürün üretilmesi kaçınılmazdır. Yine kalite testlerinin insan eliyle olması üretilen bu hatalı ürünlerin müşteriye gitmeden elenme olasılığını düşürmektedir. Hatalı ürün üretiminin minimuma indirilmesi için daha önce hatalı ve doğru ürünler ile eğitilmiş bir modelin, üretim bandı sonunda ürünlerin kontrolü için uygulanması kalite departmanında çalışan insan yükünün azalmasını ve hatalı ürünlerin tespitinin kolaylaşmasını sağlayacaktır. Yüksek başarı oranına sahip iyi bir sınıflandırma modeli oluşturmak için bu modelin birçok örnek ile eğitilmesi gerekmektedir. Yeterli sayıda etiketlenmiş veri örneği edinmek her zaman mümkün olmayabilir. Model başarımını arttırmak için yeterli sayıda veri olmadığı durumlarda transfer öğrenme modeli başarım oranını arttırdığı birçok çalışmayla literatürde gözlemlenmektedir. Bu çalışmada elektrik ve su sayacı üreten bir fabrikada üretim esnasında hatalı ürünlerin tespiti için tek bir sayaç modeli üzerinden elde edilen hatalı ve doğru ürünleri içeren veri seti oluşturulmuştur. Elde edilen veri setinde ürün sayısı düşük olduğu için transfer öğrenme yaklaşımıyla deneysel çalışma yürütülmüştür. Bu çalışmada, transfer öğrenme tekniğinden önce veri seti CNN algoritması ile eğitilmiş ve modelin başarı oranı %88 olarak tespit edilmiştir. Transfer öğrenme algoritmalarından VGG16 algoritması ile oluşturulan model %99.5 başarı oranı gösterirken ResNet50 ile %99.4 ve Xception ile %100 başarı oranları elde edilmiştir. Sonuç olarak kullanılan veri setinde transfer öğrenme algoritmalarının başarı oranı CNN algoritmasına oranla daha yüksek olduğu gözlemlenmiş ve en yüksek başarı oranına ortalama bir sürede eğitimi gerçekleştiren Xception transfer öğrenme algoritması olmuştur.