Döküm kusurlarının tespiti sürecinde görüntü özellik çıkarımı ve makine öğrenmesi kullanımı

Döküm sanayisinde yüzey kusurlarının tespiti, ürün kalitesinin artırılması ve üretim hattındaki hataların erken aşamada belirlenebilmesi açısından büyük önem taşımaktadır. Bu çalışmada, döküm parça görüntüleri üzerinden kusurların otomatik olarak tespit edilebilmesi amacıyla görüntü işleme ve makine öğrenmesi tabanlı bir sınıflandırma sistemi geliştirilmiştir. Kullanılan veri seti, Kaggle platformundan temin edilen ve hatalı-hatasız olarak etiketlenmiş 6625 görüntüden oluşmaktadır (3750 hatalı, 2875 hatasız). Görüntülerin sınıflandırılabilirliğini artırmak amacıyla Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Scale-Invariant Feature Transform (SIFT), Gabor filtreleri, GLCM, Wavelet dönüşümü, renk histogramı, Zernike momentleri, Hu momentleri ve Fourier dönüşümü olmak üzere toplam 10 farklı özellik çıkarım yöntemi uygulanmıştır. Çalışma kapsamında, HOG ve LBP özelliklerinin etkisi beş farklı hücre boyutu (25x25, 50x50, 100x100, 150x150, 300x300) ayrı ayrı değerlendirilmiş, her varyasyon için özgün özellik veri setleri oluşturulmuştur. Özellik vektörlerinin yüksek boyutluluğu nedeniyle, mRMR (minimum Redundancy Maximum Relevance) ve Ki-Kare (Chi-square) gibi özellik seçimi algoritmaları uygulanarak bilgi açısından en anlamlı öznitelikler belirlenmiş ve sınıflandırma modelleri bu daraltılmış veriyle yeniden eğitilmiştir. Model eğitimleri MATLAB Classification Learner aracı kullanılarak gerçekleştirilmiş ve Fine Tree, Fine KNN, Wide Neural Network, Bagged Trees, Gaussian Destek Vektör Makineleri (DVM) ve Binary GLM olmak üzere altı farklı sınıflandırma algoritması ile sonuçlar karşılaştırılmıştır. Elde edilen sonuçlara göre, en yüksek doğruluk oranı %99.7 ile 25x25 hücre boyutunda, özellik seçimi yapılmadan eğitilen Wide Neural Network modeli ile elde edilmiştir. mRMR ve Ki-Kare (χ²) yöntemleriyle yapılan özellik seçimleri, model başarısını belirli oranlarda korurken, özellikle veri boyutunun düşürülmesiyle birlikte eğitim süresinde kayda değer azalma sağlamıştır. Düşük özellikli yapıdaki 300x300 boyutunda ise ayrıca özellik seçimi uygulanmamış, mevcut haliyle yüksek performanslı sonuçlara ulaşılmıştır. Çalışma sonucunda, döküm parçalarının yüzey kusurlarının tespiti için önerilen sistemin hem doğruluk hem de işlem verimliliği açısından endüstriyel uygulamalara entegre edilebilecek nitelikte olduğu görülmüştür.