ÜRETİM SÜREÇLERİNDE KUSUR ORANLARININ SINIFLANDIRILMASI: YENİLİKÇİ KAREKOD DÖNÜŞÜMÜ İLE DERİN ÖĞRENME TABANLI BİR YAKLAŞIM

Abstract

Bu çalışma, üretim süreçlerindeki kusur oranlarının doğru sınıflandırılması ve kalite kontrol süreçlerinin optimize edilmesi için yenilikçi bir yöntem sunmaktadır. Çalışmada, sayısal veriler iki boyutlu QR kod görüntülerine dönüştürülerek AlexNet modeli ile analiz edilmiştir. Bu yöntem, derin öğrenme modellerinin güçlü desen tanıma yeteneklerinden yararlanarak kusur oranlarını yüksek doğrulukla sınıflandırmayı amaçlamaktadır. Veri seti, düşük ve yüksek kusur oranları olarak etiketlenmiş ve %80 eğitim, %20 test olarak bölünmüştür. Karar Ağacı, Gradient Boosting, K-En Yakın Komşu, Lojistik Regresyon, Saf Bayes, Rastgele Orman ve Destek Vektör Makinesi gibi çeşitli makine öğrenmesi modelleri ile karşılaştırılmıştır. Sonuçlar, AlexNet modelinin kusur oranlarını %100 doğrulukla sınıflandırdığını göstermektedir. Bu bulgular, derin öğrenme algoritmalarının üretim süreçlerindeki kalite kontrol ve kusur tespiti için son derece etkili olabileceğini vurgulamaktadır. Ayrıca, çalışmanın kısıtlılıkları ve gelecekteki araştırmalar için öneriler sunulmuştur. Bu yenilikçi metodoloji, diğer endüstriyel süreçlerde ve farklı veri setlerinde de geniş bir kullanım potansiyeline sahip olup, üretim verimliliğinin artırılmasına katkı sağlayacaktır.