Derin öğrenme ile çelik hurdasının sınıflandırılması ve tanımlanması

Sanayi devrimi sonrasında hızla artan çelik talebi, doğal kaynakların tükenme riskini artırmakta ve çevresel etkileri derinleştirmektedir. Bu bağlamda, çelik hurdasının geri dönüşümü sürdürülebilir üretim açısından büyük önem arz etmektedir. Özellikle elektrikli ark ocaklarında (EAF) çelik hurda kullanımı, yüksek enerji verimliliği ve düşük karbon ayak izi sağlaması nedeniyle çevre dostu bir üretim yöntemi olarak öne çıkmaktadır. Ancak, EAF'da kullanılacak hurdaların doğru ve hızlı bir şekilde sınıflandırılması, hem proses verimliliği hem de nihai ürün kalitesi açısından kritik bir gerekliliktir. Bu tez çalışmasında, hurda yüklü kamyonların kantar üzerinden geçişi sırasında otomatik olarak sınıflandırılmasını sağlayan bir sistem geliştirilmiştir. Geliştirilen sistem, derin öğrenme tabanlı görüntü işleme tekniklerini kullanarak hurda sınıfını otomatik olarak belirlemekte ve sınıflandırma sonucunu sahaya yerleştirilen LED ekran aracılığıyla kamyon şoförlerine bildirmektedir. Böylece, manuel tanımlamaya dayalı süreçlerin doğasında bulunan insan hataları ortadan kaldırılmakta ve hurda lojistiğinde operasyonel verimlilik sağlanmaktadır. Bu çalışmada kullanılan veri seti, gerçek saha koşullarından toplanmıştır. Oluşturulan özel veri kümesi, 8 farklı hurda sınıfını temsil eden 11.787 etiketli görüntüden oluşmakta olup, bu veri setinin 1.407 görüntülük kısmı test işlemleri için ayrılmıştır. Veri setinin doğrudan üretim sahasından toplanmış olması, modelin endüstriyel ortamda uygulanabilirliğini artırmaktadır. Yapılan karşılaştırmalar sonucunda, en yüksek sınıflandırma başarısı gösteren model ConvNeXt Large olmuştur. Bu model, kantarda bulunan kamera tarafından alınan görüntüler üzerinden hurdanın türünü yüksek doğrulukla tahmin ederek, sahada bulunan A ve B olmak üzere iki farklı holdeki toplam 36 boşaltım alanından ilgili alanına yönlendirme yapmaktadır. Sistem sayesinde hurda kabul süreci tamamen otomatik hale getirilmiş ve operasyonel süreklilik sağlanmıştır. Elde edilen bulgular, derin öğrenme temelli görüntü işleme tekniklerinin hurda sınıflandırmasında yüksek doğruluk ve güvenilirlik sunduğunu ortaya koymaktadır. Bu sayede çelik üretim süreçlerinde hem enerji verimliliği artmakta hem de üretim kalitesinde istikrar sağlanmaktadır. Gelecek çalışmalarda veri setinin daha fazla görüntü ve sınıf içerecek şekilde genişletilmesi, gerçek zamanlı üretim sistemlerine tam entegrasyonun sağlanması ve çoklu sensör teknolojileriyle desteklenen hibrit modellerin geliştirilmesi hedeflenmektedir.