Kumaş örüntülerinde bulunan tekli ve çoklu defoların makine öğrenmesi yöntemleri ile tespiti ve karşılaştırılması

Tekstil endüstrisinde kalite kontrol süreçleri, üretim verimliliği ve ürün kalitesi için çok önemlidir. Geleneksel yöntemlerle defo tespiti, özellikle dokusuz kumaşlarda küçük ve düzensiz defolar nedeniyle zordur. Dokusuz kumaşlarda defo tespiti sorununa derin öğrenme tabanlı yenilikçi bir çözüm bu çalışma tarafından sunulmuştur. Yapay Zeka (Artificial Intelligence, AI) tabanlı Nesne Tespiti (Object Detection, OD) ve Transfer Öğrenimi (Transfer Learning, TL) yöntemlerinin kullanılması, bu durumda kumaş defolarının otomatik ve yüksek doğrulukla sınıflandırılmasını sağlamayı amaçlamaktadır. Çalışmada, Roboflow platformunda etiketlenen ve özgün çektiğimiz bir veri seti kullanılmıştır. Toplam 1239 görüntüden oluşan veri setinde dört farklı defo sınıfı (yag_damlasi, LYC, igne_kirigi ve patlak) yer almaktadır. Yapılan 2584 etiketleme ile ortalama 2.1 defo bulunmuştur. OD yaklaşımında YOLOv5, YOLOv8, YOLOv9 ve YOLOv11 modelleri kullanılırken, TL yaklaşımında VGG16, ResNet50, EfficientNet_B0, DenseNet121, MobileNet_V2 ve Inception_V3 modelleri tercih edildi. Modeller, doğruluk, kesinlik, duyarlılık ve F1 skorları dahil olmak üzere çeşitli metriklerle değerlendirilmiştir. YOLOv5m, tüm sınıflarda 0.244 güven seviyesinde ve 0.81 F1 skoru ile bir performans sergilemiştir. YOLOv8m 0.268 güven seviyesi ve 0.75 F1 skoru, YOLOv9-c 0.286 güven seviyesi ve 0.73 F1 skoru, YOLOv11-m ise 0.290 güven seviyesi ve 0.74 F1 skoru elde etmiştir. TL modelleri, her imgede tek defo içeren düzenlenmiş veri setinde %99-100 test doğruluğu ile yüksek performans göstermiş; VGG16, DenseNet121 ve MobileNet_V2 %100 doğrulukla öne çıkarken, ResNet50 %99.04 ile en düşük sonucu vermiştir. Ancak, her imgede birden fazla defo içeren orijinal veri setinde TL modellerinin performansları düşmüş; VGG16 %87.30, EfficientNet_B0 %77.38, Inception_V3 %57.54, ResNet50 %47.22 ve MobileNet_V2 %37.30 doğruluk oranları elde edilmiştir. Deneyler, kumaşların bir inceleme makinesi üzerinden geçtiği ve modellerin gerçek zamanlı analiz yaptığı bir sistem kullanılarak yürütülmüştür. Bu çalışma, dokusuz kumaşlardaki defoları belirlemek için derin öğrenme tekniklerini kullanmanın yararlı olduğunu göstermiştir. Ayrıca, tekstil endüstrisindeki kalite kontrol prosedürlerine yardımcı olmak amacıyla bu teknikleri geliştirmeyi hedeflemiştir. Gelecekte, sistemin çeşitli kumaş türlerinde test edilmesi ve daha fazla defo sınıfının eklenmesi, yöntemin daha genelleştirilebilir hale gelmesine yardımcı olabilir. Anahtar Kelimeler: Makine öğrenmesi, Dokusuz Kumaş, Defo Tespiti, Nesne Tespiti, Transfer Öğrenimi, YOLO Modelleri