Affiliation:
1. BAŞKENT ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ
Abstract
Günümüzde ahşap ham madde malzemeleri birçok endüstride kullanılmaktadır. Ahşap ham madde üzerinde gözden kaçan kusurlar, son ürünü görsel açıdan ve dayanıklılık bakımından etkileyerek satışını engelleyebilir. Kusurlu ham maddeler üzerinde elle veya görsel kontrol zor ve yanıltıcı olabilir. Sürekli gelişen dijital teknoloji ve akıllı sistemler sayesinde, kalite kontrol için otomasyon sistemleri geliştirilmektedir. Böylece üretimin erken aşamalarında kusurlar tespit edilebilmektedir. Son ürünün kusurlu veya hatalı olması engellenebildiğinde iş gücü, malzeme ve zaman kayıpları önlenebilecek, maliyetler düşürülebilecektir. Bu çalışmada, özel bir kamera sistemi ile elde edilen görüntüler, görüntü işleme temelli Derin Öğrenme (DÖ) yöntemlerinde kullanılarak ahşap ham maddenin kusurlu olup olmadığı ayrımı yapılmaktadır. Kusurların tespitinde kullanılacak model ayrım odaklı bir yöntem olan Evrişimsel Sinir Ağı (ESA) ile geliştirilmiş olup tercih edilen bir yöntemdir. Çalışmada, ShuffleNet, AlexNet, GoogleNet gibi ESA mimarileri denenmiş ve en uygun mimari belirlenmiştir. Çalışmalar sonucunda, ESA mimarileri arasında kusurlu ve kusursuz ahşap ürünlerini belirlemek için kullanılan başarılı yöntemler olan MobileNet, DenseNet ve Inception mimarilerinin, kalite kontrol sistemleri için daha yüksek doğruluk oranları ile sonuçlandığı görülmüştür. En iyi sonuç ise, Inception-V3 mimarisi ile elde edilmiştir ve test doğruluğu %88,41 olarak belirlenmiştir.
Publisher
Muhendislik Bilimleri ve Tasarim Dergisi
Subject
Colloid and Surface Chemistry,Physical and Theoretical Chemistry
Reference38 articles.
1. Aparecido De França, C., & Gonzaga, A. (2005). Classification of Wood Plates by Neural Networks and Fuzzy Logic Image and Video Processing View project Detection of Architectural Distortion in Mammograms View project. Computer Science. https://www.researchgate.net/publication/266290506
2. Cavalin, P., Oliveira, L. S., Koerich, A. L., & Britto, A. S. (2006). Wood defect detection using grayscale images and an optimized feature set. IECON Proceedings (Industrial Electronics Conference), 3408-3412. https://doi.org/10.1109/IECON.2006.347618
3. Deng, J., Dong, W., Socher, R., Li, L.-J., Kai Li, & Li Fei-Fei. (2009). ImageNet: A large-scale hierarchical image database. 2009 IEEE Conference on Computer Vision and Pattern Recognition, 248-255. https://doi.org/10.1109/CVPR.2009.5206848
4. Ding, F., Zhuang, Z., Liu, Y., Jiang, D., Yan, X., & Wang, Z. (2020). Detecting defects on solid wood panels based on an improved SSD algorithm. Sensors (Switzerland), 20(18), 1-17. https://doi.org/10.3390/S20185315
5. Faura, Á. G., Štepec, D., Cankar, M., & Humar, M. (2021). Application of unsupervised anomaly detection techniques to moisture content data fromwood constructions. Forests, 12(2), 1-19. https://doi.org/10.3390/F12020194