Çift Doğrusal CNN Kullanarak Çelik Yüzey Kusurlarının Sınıflandırılması
Author:
Güçlü Emre1ORCID, Aydın İlhan1ORCID, Akın Erhan1ORCID
Affiliation:
1. FIRAT ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ
Abstract
Çelik, endüstride oldukça fazla kullanılan yapı malzemelerinden biridir. Çelik üreticileri arasındaki rekabetin artmasıyla birlikte çelik ürünlerin yüzey kalitesi daha önemli bir hale gelmiştir. Çelik yüzeylerde oluşabilecek kusurlar tespit edilemediğinde daha büyük sorunlara neden olabilmektedir. Günümüzde, çelik yüzey kusurlarını algılama sistemleri, geleneksel kusur tespit yöntemlerinin yerini almıştır. Yüzey kusurları, sağlam çelik görünümünden farklı olarak anormal görünüme sahiptir. Bu kusurların tespiti için derin öğrenme tabanlı yöntemlerin kullanılması, pahalı yöntemlere göre birçok avantaja sahiptir. Bu nedenle, Endüstri 4.0 ile birlikte çelik ürünler üzerinde oluşabilecek kusurların tespiti için bilgisayarlı görmeye dayalı yöntemler daha yaygın olarak kullanılmaktadır. Bu çalışmada, çelik yüzeylerde oluşabilecek kusurların sınıflandırılması için çift doğrusal evrişim sinir ağı (Bilinear-CNN) kullanılmıştır. Eğitim için kullanılan veri kümesinde kusurlu ve kusursuz veriler birbirine oldukça benzerdir. Çift doğrusal havuzlama yöntemi, daha yüksek dereceli ve uzamsal sırasız bilgileri çıkarabilme yeteneğine sahiptir. Böylece benzer veri kümelerinde yüksek performans elde ettiği gösterilmiştir. Önerilen yöntemin performansı farklı ağlar için değerlendirilmiştir. %98,26 doğruluk oranıyla en yüksek sonucu Bilinear Xception modeli elde etmiştir. Sonuçlar, çift doğrusal evrişimli sinir ağının benzer görüntülerden oluşan veri kümelerini sınıflandırmada yüksek performans elde ettiğini göstermektedir.
Funder
Türkiye Bilimsel ve Teknolojik Araştırma Kurumu
Publisher
Firat Universitesi
Reference28 articles.
1. Agarwal, K., Shivpuri, R., Zhu, Y., Chang, T. S., & Huang, H. (2011). Process knowledge based multi-class support vector classification (PK-MSVM) approach for surface defects in hot rolling. Expert Systems with Applications, 38(6), 7251-7262. 2. Choi, W., Huh, H., Tama, B. A., Park, G., & Lee, S. (2019). A neural network model for material degradation detection and diagnosis using microscopic images. IEEE Access, 7, 92151-92160. 3. Zhou, Q., Chen, R., Huang, B., Liu, C., Yu, J., & Yu, X. (2019). An automatic surface defect inspection system for automobiles using machine vision methods. Sensors, 19(3), 644. 4. Zheng, X., Zheng, S., Kong, Y., & Chen, J. (2021). Recent advances in surface defect inspection of industrial products using deep learning techniques. The International Journal of Advanced Manufacturing Technology, 113, 35-58. 5. Jiahui, C. O. N. G., Yunhui, Y. A. N., & Dong, D. (2010). Application of Gabor filter in strip surface defect detection. Journal of Northeast University (Natural Science Edition), 31(2), 257-260.
|
|