Transfer öğrenme modellerinin basamaklandırılmış derin özelliklerini ve topluluk sınıflandırıcıları kullanarak lastik çatlaklarının tespit edilmesi

Bu çalışma, araç sürücülerinin lastiklerinde oluşan çatlakları tespit etmeye yönelik yapay zeka destekli bir yıpranmış lastik tespit sistem önermektedir. Genel olarak, sürücüler lastik diş derinliği ve hava basıncının önemini bilse de lastik oksidasyonundan kaynaklanan risklerin farkında değildir. Oysa lastik oksidasyonu ve çatlaklar, sürüş güvenliğini etkileyen önemli sorunlara yol açabilir. Bu çalışmada, ön-eğitimli transfer öğrenme yöntemleri kullanılarak elde edilen derin öznitelikler ve topluluk öğrenme yöntemleri kullanılarak lastiklerde çatlak tespitine yönelik CTLDF+EnC isimli yeni bir hibrit mimari önerilmektedir. Önerilen hibrit modeller, özniteliklerin elde edildiği dokuz transfer öğrenme yöntemi ve sınıflandırıcı olarak İstifleme, Yumuşak ve Katı oylama topluluk öğrenme yöntemlerini içermektedir. Çalışma literatürdeki endüstriye kullanıma yönelik X-Ray görüntü tabanlı yapılmış çoğu çalışmanın aksine herhangi bir sayısal görüntüleme cihazı ile elde edilebilecek görüntüler ile çalışmaktadır. Çalışma kapsamında en yeksek test doğruluk değeri 76,92% ile CTLDF+EnC (İstifleme) hibrit model ile elde edilmiştir. CTLDF+EnC (Yumuşak) ve CTLDF+EnC (Katı) mimarileri için ise doğruluk değerleri sırasıyla 74,15% ve 72,92% olarak elde edilmiştir. Çalışmanın sonuçları, önerilen hibrit modellerin lastik problemlerini tespit etme konusunda etkili olduğunu göstermiştir. Ayrıca düşük maliyetli ve uygulanabilir bir yapı sunulmaktadır.