Pedilen ayak görüntüleri üzerinde derin öğrenme yöntemleri kullanılarak hatalı ürün tespiti

Endüstriyel üretim süreçlerinde hatalı ürünlerin tespiti, üretim kalitesinin sağlanması ve müşteri memnuniyetinin artırılması açısından kritik bir öneme sahiptir. Hatalı ürün tespiti için öncelikle, ürünün kalite kriterlerine uygunluğunu belirlemek için spesifikasyonlar oluşturulmalıdır. Bu spesifikasyonlar, ürünün fiziksel özelliklerini ve kabul edilebilir kalite standartlarını içermelidir. Yaşamsal faaliyetlerin sürdürülmesi, öz bakım ve ulaşım gibi aktivitelerin gerçekleştirilmesinde büyük rol oynayan ayaklar, doğuştan veya sonradan kaybedilebilmektedir. Gelişen teknolojiyle birlikte bu kaybedilen uzuvların yerini protez denen yapay organlar almaktadır. En yaygın protez çeşitlerinden pedilen ayak üretimini yapan firmamızda üretim sonrası insan gözüyle kalite kontrol yapıldığı için meydana gelen bazı üretim kusurları gözden kaçabilmektedir. Firmamızdaki pedilen ayak üretiminde; kullanılan kimyasalların tam karışmaması veya kalıba enjekte edilmesi sırasında hava yapması sonucu oluşan hava kabarcıkları patlarsa çukur hatası, patlamaz ve kabarcık olarak kalırsa kabarcık hatası olarak ifade edilen hatalı ürünler ortaya çıkmaktadır. Bu hatalı ürünler gelişen teknoloji sayesinde derin öğrenme yöntemlerinin kullanımıyla da tespit edilebilir hale gelmektedir. Bu tez çalışmasında, pedilen ayak üretimi yapan firmadan temin edilen görüntülere Python kodları aracılığıyla görüntü çoğaltma işlemi uygulanması sonucu 1200 görüntüden oluşan veri seti oluşturulmuştur. Bu görüntü veri seti üzerinde derin öğrenme yöntemlerinden evrişimsel sinir ağı mimarileri kullanılarak hatalı ürün tespitinin gerçekleştirilmesi amaçlanmaktadır. Toplam 1200 görüntülük veri seti üzerinde Xception, InceptionResNetV2, DenseNet201, NasNetMobile ve EfficientNetV2S mimarileri uygulanarak sonuçlar karşılaştırılmıştır. Deneysel değerlendirmeler neticesinde, InceptionResNetV2 modelinde en üstün başarı oranlarına ulaşılmıştır. 20 epoch değeri kullanıldığında, %99.72 doğruluk, %99 geri çağırma, %99 kesinlik ve %100 f1 skoru elde edilmiştir.