Derin öğrenme yöntemi ile kesici takımların sınıflandırılması ve tespiti

Gerçekleştirilen bu tez çalışmasında, tornalama işlemlerinde kullanılan ve ISO standartlarına göre C, R. S, Q vb. olarak adlandırılan takımların derin öğrenme yöntemi ile sınıflandırılması ve tahmini yapılmıştır. Bu amaçla farklı geometrik şekillere sahip kesici takım görüntüleri kullanılarak bir veri seti oluşturulmuştur. Bu veri setindeki görüntüler görüntü çoğaltma yöntemleri kullanılarak artırılmıştır. Daha sonra elde edilen bu veri setlerindeki görüntüler CNN, Xception, ResNet, LeNet, AlexNet ve GoogleNet ağ mimarileri ile kesici takım görüntüleri eğitilmiş, test edilmiş ve doğrulamaları yapılmıştır. Kesici takımların görüntüleri ISO standardında yer alan kodlara göre (C, R, S, Q vb) göre sınıflandırılmış ve görüntülerin tahmini de buna göre yapılmıştır. CNN, Xception, ResNet, LeNet, AlexNet ve GoogleNet ağ mimarileri ile eğitilen kesici takım görüntüleri doğrulama değerleri sırasıyla %91, %99, %13, %60, %97 ve %13 olarak elde edilmiştir. Bu ağ mimarilerinde en iyi sonuçları veren Xception, CNN ve AlexNet olduğu görülmüştür. ResNet, LeNet ve GoogleNet ile eğitilen görüntülerin başarı oranın düşük olduğu sonucuna varılmıştır. Sonuç olarak kesici takımların görüntüleri geliştirilen ve eğitilen derin öğrenme metodu ile değerlendirilmiştir. Böylece tornalamada ne tür bir kesici takım kullanıldığını tahmin eden ve işleme yöntemine uygun bir şekilde sınıflandırılan bir yöntem geliştirilmiştir. Bu görüntü işleme yöntemi ile kesici takımların farklı özellikleri kullanılarak sınıflandırılması ve otomasyon sistemlerinde etkin bir şekilde kullanılarak dijitalleşen sanayi alanına katkıda bulunulacaktır.