Çelik Yüzeylerdeki Kusurların Tespiti için Topluluk Öğrenme Tabanlı Gelişmiş Segmentasyon Yöntemi
Author:
Güçlü Emre1ORCID, Aydın İlhan2ORCID, Akın Erhan2ORCID
Affiliation:
1. FIRAT ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ 2. FIRAT UNIVERSITY, FACULTY OF ENGINEERING, DEPARTMENT OF COMPUTER ENGINEERING, COMPUTER ENGINEERING PR.
Abstract
Bu çalışmada, çelik yüzeylerdeki kusurların tespiti için topluluk öğrenme tabanlı bir gelişmiş segmentasyon yöntemi sunulmuştur. Günümüzde, çelik üretim süreçlerinde kalite kontrolün önemi artmakta ve kusur tespiti teknolojilerine olan ihtiyaç hızla büyümektedir. Bu bağlamda, çeşitli çelik yüzey kusurlarını doğru bir şekilde tespit edebilen ve bölütleyebilen güçlü bir modele ihtiyaç vardır. Önerilen sistem, derin öğrenme tabanlı çoklu model yaklaşımlarını topluluk öğrenme ile birleştirerek, segmentasyon doğruluğunu önemli ölçüde artırmaktadır. Kullanılan topluluk öğrenme stratejisi, farklı mimarilere sahip birden fazla derin öğrenme modelinin güçlü yönlerini bir araya getirerek, sistemimizin genel performansını iyileştirmekte ve çeşitli kusur türlerine karşı daha duyarlı hale getirmektedir. Bu yaklaşım, geniş bir veri seti üzerinde test edilmiş ve %77,98 mIoU oranı elde ederek mevcut tekil model tabanlı yöntemlere kıyasla önemli bir performans artışı göstermiştir. Sonuçlar, önerilen topluluk öğrenme tabanlı segmentasyon yönteminin, çelik yüzeylerdeki kusurların tespiti konusunda etkili bir çözüm sunduğunu ve endüstriyel kalite kontrol süreçlerinde potansiyel uygulamalara sahip olduğunu ortaya koymaktadır.
Funder
Türkiye Bilimsel ve Teknolojik Araştırma Kurumu
Publisher
Mus Alparslan Universitesi Fen Bilimleri Dergisi
Reference18 articles.
1. [1] Sime, D. M., Wang, G., Zeng, Z., & Peng, B. (2024). Deep learning-based automated steel surface defect segmentation: a comparative experimental study. Multimedia Tools and Applications, 83(1), 2995-3018. 2. [2] Wang, G. Q., Zhang, C. Z., Chen, M. S., Lin, Y. C., Tan, X. H., Kang, Y. X., ... & Zhao, W. W. (2024). A high-accuracy and lightweight detector based on a graph convolution network for strip surface defect detection. Advanced Engineering Informatics, 59, 102280. 3. [3] Tang, B., Chen, L., Sun, W., & Lin, Z. K. (2023). Review of surface defect detection of steel products based on machine vision. IET Image Processing, 17(2), 303-322. 4. [4] Long, Y., Zhang, J., Huang, S., Peng, L., Wang, W., Wang, S., & Zhao, W. (2022). A novel crack quantification method for ultra-high-definition magnetic flux leakage detection in pipeline inspection. IEEE Sensors Journal, 22(16), 16402-16413. 5. [5] Santoro, L., Sesana, R., Molica Nardo, R., & Curá, F. (2023). Infrared in-line monitoring of flaws in steel welded joints: a preliminary approach with SMAW and GMAW processes. The International Journal of Advanced Manufacturing Technology, 128(5), 2655-2670.
|
|