Fotovoltaik bağlantı kutusu üretim sürecindeki hataların derin öğrenme modelleri ile tespitine yönelik gerçek zamanlı sistem tasarımı

Abstract

Endüstriyel üretim sahalarında üretimdeki kalite kontrol ve kusur tespit süreçlerinin otomatikleştirilmesi, üretim güvenilirliğinin ve veriminin artırılması açısından kritik bir öneme sahiptir. Makine öğrenmesi tabanlı sistemler uzun yıllardır bu uygulamalarda kullanılmakta olup; son dönemlerde derin öğrenme yaklaşımları özellik çıkarımı ve sınıflandırma süreçlerini bütünleşik bir yapı altında ele alarak bu alanda önemli gelişmeler sağlamıştır. Gerçekleştirilen bu tez çalışmasında, gerçek bir üretim sahasındaki kusurların tespiti amacıyla gömülü sisteme uyum sağlayabilen, hesaplama maliyeti düşük bir Evrişimli Sinir Ağı mimarisi önerilmektedir. Çalışma kapsamında kullanılan görüntüler, PV paneller için JB üretimi yapılan bir fabrikadan toplanarak özgün ve pratikte kullanılabilir bir veri seti oluşturulmuştur. Bu görüntülere model girişinden önce Sobel operatörü ile kenar tabanlı bir ön işleme adımı uygulanmıştır. Böylelikle görüntülerde bulunan süreksizlikler belirginleştirilmiş ve gradyan büyüklüğü temelli temsiller oluşturulmuştur. Elde edilen veriler daha sonra modele giriş olarak verilmiş ve eğitim gerçekleştirilmiştir. Çalışmanın ilerleyen aşamalarında önerilen modelin performansının değerlendirilebilmesi amacıyla aynı veriler transfer öğrenme tabanlı MobileNetV2 mimarisi ile eğitilmiştir. Eğitilen her iki modele ait başarı parametreleri paylaşılarak karşılaştırılmıştır. Bu karşılaştırma hem çevrim dışı hem de gerçek zamanlı olarak test edilmiştir. Endüstriyel üretim sahalarında üretimdeki kalite kontrol ve kusur tespit süreçlerinin otomatikleştirilmesi, üretim güvenilirliğinin ve veriminin artırılması açısından kritik bir öneme sahiptir. Makine öğrenmesi tabanlı sistemler uzun yıllardır bu uygulamalarda kullanılmakta olup; son dönemlerde derin öğrenme yaklaşımları özellik çıkarımı ve sınıflandırma süreçlerini bütünleşik bir yapı altında ele alarak bu alanda önemli gelişmeler sağlamıştır. Gerçekleştirilen bu tez çalışmasında, gerçek bir üretim sahasındaki kusurların tespiti amacıyla gömülü sisteme uyum sağlayabilen, hesaplama maliyeti düşük bir Evrişimli Sinir Ağı mimarisi önerilmektedir. Çalışma kapsamında kullanılan görüntüler, PV paneller için JB üretimi yapılan bir fabrikadan toplanarak özgün ve pratikte kullanılabilir bir veri seti oluşturulmuştur. Bu görüntülere model girişinden önce Sobel operatörü ile kenar tabanlı bir ön işleme adımı uygulanmıştır. Böylelikle görüntülerde bulunan süreksizlikler belirginleştirilmiş ve gradyan büyüklüğü temelli temsiller oluşturulmuştur. Elde edilen veriler daha sonra modele giriş olarak verilmiş ve eğitim gerçekleştirilmiştir. Çalışmanın ilerleyen aşamalarında önerilen modelin performansının değerlendirilebilmesi amacıyla aynı veriler transfer öğrenme tabanlı MobileNetV2 mimarisi ile eğitilmiştir. Eğitilen her iki modele ait başarı parametreleri paylaşılarak karşılaştırılmıştır. Bu karşılaştırma hem çevrim dışı hem de gerçek zamanlı olarak test edilmiştir. Çalışmanın son aşamasında her iki model de Raspberry Pi'a aktarılarak gerçek zamanlı çıkarım için denemeler yapılmıştır. Çalışma sonucunda önerilen modelin çok daha az parametre sayısı, uygun maliyeti ve düşük işlem gereksinimi ile MobileNetV2 mimarisine bir alternatif olabileceği görülmektedir.

Automating quality control and defect detection processes in industrial production areas is critical for increasing production reliability and efficiency. Machine learning-based systems have been used in these applications for many years; recently, deep learning approaches have made significant progress in this field by integrating feature extraction and classification processes. This thesis proposes a low-computational-cost Convolutional Neural Network architecture that can be adapted to embedded systems for the purpose of detecting defects in a real production area. The images used in the study were collected from a factory producing JB for PV panels, creating a unique and practically usable dataset. Before model input, an edge-based preprocessing step was applied to these images using the Sobel operator. This highlighted discontinuities in the images and created gradient magnitude-based representations. The obtained data was then fed as input to the model, and training was performed. Automating quality control and defect detection processes in industrial production areas is critical for increasing production reliability and efficiency. Machine learning-based systems have been used in these applications for many years; recently, deep learning approaches have made significant progress in this field by integrating feature extraction and classification processes. This thesis proposes a low-computational-cost Convolutional Neural Network architecture that can be adapted to embedded systems for the purpose of detecting defects in a real production area. The images used in the study were collected from a factory producing JB for PV panels, creating a unique and practically usable dataset. Before model input, an edge-based preprocessing step was applied to these images using the Sobel operator. This highlighted discontinuities in the images and created gradient magnitude-based representations. The obtained data was then fed as input to the model, and training was performed. In the later stages of the study, the same data was trained with the transfer learning-based MobileNetV2 architecture to evaluate the performance of the proposed model. The success parameters of both trained models were shared and compared. This comparison was tested both offline and in real-time. In the final stage of the study, both models were transferred to Raspberry Pi and experiments were conducted for real-time inference. As a result of the study, it was observed that the proposed model, with its much smaller number of parameters, reasonable cost, and low computational requirements, could be an alternative to the MobileNetV2 architecture.