Derin öğrenme yöntemleri ile metalik yüzeylerde kusur tespiti ve sınıflandırılması

Son yıllarda üretim aşamasında otomatik hata tespit sistemlerine olan ihtiyaç artmaktadır. Ürünlerin kusurlarını tespit etmek ve yerlerini belirlemek, önemli ve gerekli bir kalite kontrol sürecidir. Kusur tipinin ve kusurlu alanın kısa sürede tespit edilmesi de kalite kontrol performansı açısından oldukça önemlidir. Günümüzde, insan iş gücüne dayalı kusurların kontrol edilmesi, üretim sürecinde geleneksel bir yöntem olarak kusurları tespit etmek için hala kullanılmaktadır. İnsana bağlı olan bu yöntemde hız oranı düşük ve hata oranı yüksektir. Üretim aşamasındaki yüzeylerin kalite kontrol çalışmalarında bilgisayarla görme teknikleri sıklıkla kullanılmaktadır. Birçok endüstriyel uygulamada, tekstil, metal ve cam kusur tespiti gibi yüzey kusur tespiti yaygın olarak gerçekleşir. Metal yüzeylerde çeşitli ve karmaşık tipte kusurlar (yamalar, noktalı yüzeyler, çatlak ve çizik, girintili tufal, madde karışımı vb.) vardır. Gerçek zamanlı metalik hata tespit sistemlerinde hız ve yüksek doğruluk üretim aşamasına olumlu etki yapmaktadır. Yüzeylerde kusur tespiti için geleneksel yöntemler, görüntü işleme veya makine öğrenmesi tekniklerine dayanır, ancak belirli ölçeklerde veya belirli aydınlatma koşullarında düşük gürültü ve güçlü kontrast ile farklı kusurları tespit edebilirler. Günümüzde endüstriyel denetim sistemlerinde bilgisayarlı görme ve derin öğrenme yaklaşımları önemli bir yere sahiptir. Bilgisayarla görme teknolojisi, üretim hattındaki ürünlerin hızlı ve hatasız kontrolü için gereklidir. Bilgisayarla görü kavramının önemi, klasik yöntemlerin sorunları göz önüne alındığında anlaşılır. Metal yüzeyler aydınlatma ve ışık yansıması gibi çevresel faktörlerden kolayca etkilendiğinden, metalik yüzeylerde kusur tespiti zorlu bir problemdir. Karmaşık gerçek dünya problemlerinde geleneksel kusur tespiti algoritmaları verimsiz ve hatalıdır. Sonuç olarak bu çalışmada, çatlak, çizik, vb. metal yüzey kusur tiplerini tespit etmek ve sınıflandırmak için yeni bir yöntem önerilmiştir. Yüzey özelliklerini çıkarabilen Shape From Shading (SFS) algoritması ile kusurlar tespit edilmiştir. Kusurun tipi ve yeri Faster Regional Convolutional Neural Network (Faster R-CNN) tarafından belirlenmiştir. Kusurlu veriler için Northeastern Üniversitesi (NEU) yüzey kusur veritabanı kullanılmıştır. Önerilen algoritma, etiketleme performansını göstermek için etiketlenmemiş bir veri kümesi KolektorSDD2 (KSDD2) üzerinde de test edilmiştir. Sonuçlar hem etiketli hem de etiketsiz veri kümeleri üzerinde, otomatik hata tespiti, sınıflandırma ve etiketlemede en gelişmiş performansı göstermiştir. Önerilen yöntem, metal yüzeydeki kusurların tespiti için başarılı sonuçlara sahiptir ve ortalama hassasiyet 0.83'tür. Çatlaklar, noktalı yüzeyler, yamalar, çizikler, madde karışımı ve girintili tufal ortalama doğruluğu sırasıyla 0.98, 0.81, 0.90, 0.79, 0.88 ve 0.62'dir.