İmalat sırasında malzeme yüzeyinde oluşan hataların makine öğrenmesi teknikleri ile belirlenmesi

İmalatı yapılan malzemelerin imalat sırasında veya sonrasında kalite kontrollerinin etkin bir şekilde yapılması maliyet, iş ve zaman tasarrufu açısından çok önemlidir. Üretim endüstrisinde yaygın şekilde kullanılan çelik ve türevleri, modern zamanların en önemli yapı malzemelerinden biridir. Bu nedenle imalat sürecinde, çelik yüzeylerde meydana gelen hataların etkin bir şeklide tespiti çok mühimdir. Yapay zeka tabanlı uygulamalarla, çelik üretimi daha verimli hale gelecektir. Bu tez çalışmasında, çelik üretim sürecinde oluşan yüzey kusurlarını tespit eden ve sınıflandıran derin öğrenme tabanlı yaklaşımlar geliştirilmiştir. Önerilen ilk metodoloji dört adımda oluşturulmuştur. İlk adımda, kalıntı ve dikkat yapılarını paralel olarak eğiten ve böylece sınıflandırma performansını artıran bir derin öğrenme modeli tasarlanmıştır. İkinci adımda, Paralel Dikkat Artık Evrişimsel Sinir Ağı (PDA-ESA) modelinden derin öznitelikler çıkarılmıştır. Üçüncü adımda ise çıkarılan öznitelikler, Komşuluk Bileşen Analizi (KBA) ve ReliefF algoritmalarından elde edilen indislerin eşleştirilmesine dayanan yeni ve basit bir algoritma (KREİ) ile seçilmiştir. Son aşamada, Destek Vektör Makineleri (DVM) algoritması ile sınıflandırma yapılmıştır. Önerilen metodoloji, ikili ve çok sınıflı sınıflandırma görevleri için kullanılmıştır ve Kaggle veri tabanındaki "Severstal: Steel Defect Detection" ve NEU çelik yüzey hataları veri seti üzerinde değerlendirilmiştir. Birinci sınıflandırma görevinde hatasız ve hatalı çelik yüzey görüntüleri sınıflandırılmış ve %97,90 sınıflandırma doğruluğu elde edilmiştir. İkinci sınıflandırma görevinde beş hata türünden oluşan sınıflandırma çalışılmış ve %94,50 sınıflandırma doğruluğu elde edilmiştir. Önerilen ikinci yaklaşım ise beş aşamadan oluşmaktadır. Tüm aşamalar sınıflandırma performansını artırmak için kullanılmıştır. Spektogram görüntüler kullanılmış ve veriler PDA-ESA modeli olarak adlandırılan yeni tasarlanmış bir model ile eğitilmiştir. Hesaplama maliyetini düşürmek ve sınıflandırma performansını artırmak için İterasyonlu Komşuluk Bileşen Analizi (İKBA) adlı etkili ve hızlı bir öznitelik seçimi algoritması uygulanmıştır. İkili sınıflandırma için eğitim-doğrulama doğruluk puanları sırasıyla %100 ve %95,38'e çıkmıştır. Çok sınıflı sınıflandırma için eğitim-doğrulama doğruluk puanları sırasıyla %99,21 ve %91,89'a ulaşmıştır.