Lazer kesim makineleri için özel şekilli boru ve profillerin görüntü işleme ile sınıflandırılması

Teknolojinin gelişmesiyle bilgisayar tabanlı sistemler sayesinde birçok problem çözümünde üretime hız kazandıran, yüksek performanslı yöntemler geliştirilmektedir. Gelişen endüstride seri üretim, kalite kontrol, otomasyon vb. konularda insan gücünün yetersiz ya da yavaş kaldığı durumlarda görüntü işleme yöntemleri hızlı, verimli ve optimize çözümler üretilmesine aracı olmaktadır. Gözle kontrolün mümkün olmadığı, sensörler ile algılama yeteneğinin yetersiz kalması durumlarında, insan gücü ile rutin olarak yapılan işlerde görüntü işleme yöntemlerinin kullanılması iş güvenliği, zaman ve maliyet açısından etkinliğin artırılmasında fayda sağlanmaktadır. Bilgisayar tabanlı sistemlerde düşük maliyet, yüksek kalite ve minimum iş gücü sağlanarak verim artırılabilmektedir. Bu tez çalışmasında metal işleme sektöründe yaygın olarak kullanılan lazer boru-profil kesim makineleri için özel şekilli boru-profillerin sınıflandırılma işlemini gerçekleştirebilen bir uygulama çözümü sunulmuştur. Boru-profil kesim makinelerinde tam otomatik boru-profil yükleme sistemleri kullanılmaktadır. Bu sistemlerde yüklenen boru-profilin otomatik olarak algılanması geleneksel yöntemlerle mümkün değildir. Mevcut makinelerde bulunan otomatik yükleme sistemleri bu yetersizlikten dolayı aynı anda yalnızca tek tip boru-profilin yüklenmesine izin vermektedir. Bu durum zaman kaybına yol açmaktadır. Diğer yandan boru-profillerin otomatik algılanamaması mekanik olarak tasarımda birçok kompleks yapının kullanılmasını gerektirmektedir. Bu tez çalışmasında endüstri koşulları dikkate alınarak geliştirilen uygulama ile özel şekilli boru-profillerin sınıflandırma işlemi gerçekleştirilmektedir. Otuz farklı boru-profil şekli için veri tabanı oluşturularak, geniş yelpazede sınıflandırma işlemi yapılması amaçlanmıştır. Oluşturulan veri tabanlarındaki veriler görüntü işleme yöntemleriyle çoğaltılmıştır. Veri tabanındaki görüntülere geliştirilen görüntü ön işleme algoritması uygulanarak derin ağ eğitimlerinde başarı oranı artışı sağlanması amaçlanmıştır. Oluşturulan veri tabanları ile GoogleNet ve ResNet derin ağları kullanılarak farklı veri tabanı kombinasyonları için eğitim ve testler gerçekleştirilmiştir. Derin ağ eğitim sonuçları ve gerçek zamanlı uygulamada yapılan testlere göre daha kısa eğitim süresine sahip daha yüksek doğruluk sağlayan, işlenmiş ve işlenmemiş görüntülerin bulunduğu veri tabanı ile eğitilen GoogleNet modeli uygun bulunmuştur. Model doğruluk ortalaması %99,73 olarak ölçülmüş, sınıflandırma tahmin süresi ise ortalama 89 milisaniye olarak gözlemlenmiştir. Model gerçek zamanlı testlerde 30 sınıf için yapılan tahminlerin tümünde doğru sınıf tahmininde bulunmuştur. ResNet ile eğitilen modeller eğitim süresinin fazla olması, sınıflandırma tahminlerinde yüksek hata oranı ve yaklaşık 2 kat daha yavaş sınıflandırma süresi ile tercih edilmemiştir.