Akıllı üretim sistemlerinde çoklu hata teşhisi için hibrit derin öğrenme yaklaşımları

Endüstriyel üretim süreçlerinde akıllı sistemlerindeki ürünün yüzey arızalarının erkenden teşhis edilmesi, kalite kontrol süreçleri otomasyonu, maliyetlerin azaltılması ve kalite standartlarının korunması açısından kritiktir. Akıllı üretim sistemlerinde çoklu hata teşhisi ile birbirinden farklı türdeki arızaların saptanması sağlanmaktadır. Endüstri 4.0 ile üretim hatlarında veri miktarının artması sonucunda, klasik makine öğrenmesi yaklaşımları ile arızanın teşhis edilmesi yetersiz olması sonucunu doğurmuştur. Bu durumda, daha gelişmiş analiz yöntemlerine ihtiyaç artmıştır. Bu kapsamda bu tezde, hibrit derin öğrenme mimarileri ile farklı türdeki arızalı veri örneklerinin sınıflandırılması yüksek doğruluklarla sağlanmıştır. Bu tezde, metal ve kumaş yüzeylerde meydana gelen çoklu kusurların belirlenmesi için hibrit derin öğrenme yaklaşımları incelenmiştir. Önerilen yöntemde, farklı derin öğrenme mimarileri birlikte kullanılarak hem nesne tespiti hem de segmentasyon işlemleri gerçekleştirilmiştir. Bu çalışmada, arızalı görüntülerden elde edilen özellikler konvolüsyonel sinir ağları ile çıkarılmış, ardından bu özellikler farklı sınıflandırıcılar ile analiz edilmiştir. Sınıflandırma aşamasında kullanılan derin mimariler Vision Transformer (ViT) ve dikkat tabanlı derin sinir ağları gibi yenilikçi yaklaşımlardır. Gerçekleştirilen deneysel çalışmalar sonucunda görülmüştür ki önerilen yöntem farklı tipteki arızaları yüksek performans elde edilmiştir. Bu çalışma, akıllı üretim sistemlerinde kalite kontrol süreçlerinin iyileştirilmesine katkı sağlamaktadır.