Derin öğrenme algoritmalarını kullanarak kumaş kusurlarının tespiti ve sınıflandırılması

Tekstil sektörünün en önemli ham maddesi olan kumaşın üretimi birçok aşamadan meydana gelmektedir. Bu üretim aşamalarının fazlalığı ve karmaşıklığından dolayı kumaşlarda bazı hatalar meydana gelebilmektedir. Hataların tespit edilmesinde; sektörün pazar payının büyüklüğü ve üretimin çok hızlı olmasının nedeniyle insan kontrolü ile tespit etmek hem zaman kaybına hem de hata tespit oranının %60 seviyelerine kadar düşmesine neden olmaktadır. Bundan dolayı son yıllarda teknolojinin gelişmesiyle paralel kumaşların hata tespitinde daha çok akıllı sistemler geliştirilmeye başlanmıştır. Günümüzde yapay zekâ teknolojisinin hızla gelişmesiyle bu sektörde de görüntü işleme teknikleri uygulamalar başlamıştır. Bu çalışmada derin öğrenme teknikleri kullanarak kumaş üzerinde gerçek zamanlı hata tespit sistemi geliştirilmiştir. Veri seti olarak halka açık sunulan Tilda veri seti ve kendi oluşturduğumuz veri seti kullanılmıştır. Yapılan çalışmada ilk olarak açık kaynaklı bir sinir ağı kütüphanesi olan Evrişimsel Sinir Ağı (CNN) ile bir ağ modeli oluşturulmuş ve bu yöntemle %89 doğruluk elde edilmiştir. Çalışmayı daha iyi hale getirmek için kumaşları hatalı ve hatasız başlığı altında iki sınıfta sınıflandırıp önceden eğitilmiş CNN modellerinden olan VGGNet16 mimarisi ile %86, IneptionV3 mimarisi ile %90 oranında doğruluğa ulaşılmıştır. ResNet50 yaklaşık %95 doğruluk oranıyla diğer modellere göre çok daha iyi bir model yapısına sahip olduğunu ispatlamıştır. Bu sayede kumaş hataları daha tutarlı bir şekilde bulunabilir.