DÜZ ÖRME MAKİNESİNİN ÖRME KODUNUN DERİN ÖĞRENME TABANLI OLUŞTURULMASI VE GÖRSELLEŞTİRİLMESİ

Abstract

Bu doktora tezi, örgü üretiminde dijital tasarım ile fiziksel kumaş üretimi arasındaki dönüşüm sürecini iki teknik problem üzerinden ele almaktadır. Çalışmanın odaklandığı ilk problem, dijital görsellerin iplik sayısı, renk paleti ve makine çözünürlüğü gibi üretim kısıtları dikkate alınarak örgüye uyumlu çıktılara dönüştürülmesidir. İkinci problem ise, doğrudan fiziksel olarak üretilmiş örgü kumaş yüzeylerinden ilmek düzeyinde yapısal bilginin otomatik olarak çıkarılması ve bu bilginin anlamlı bir biçimde görselleştirilmesidir. Bu kapsamda, dijital görsellerin önceden tanımlı iplik paletleriyle sınırlandırılmış örme çıktılarına dönüştürülmesini hedefleyen algısal temelli bir iş akışı önerilmektedir. Birden fazla hata yayılımı tabanlı renk indirgeme yöntemi, yedi farklı algısal ve istatistiksel kalite ölçütü kullanılarak nicel olarak değerlendirilmektedir. Elde edilen ölçütler normalize edilmekte, algısal ağırlıklandırma yoluyla tekil bir bileşik skor altında birleştirilmekte ve yöntemler arasında karşılaştırma yapılabilmektedir. Seçilen görsel, otomatik olarak örme kodlarıyla eşlenmiş bitmap formatına dönüştürülerek doğrudan üretime hazır hâle getirilmektedir. Bu yaklaşım, görsel sadakati korurken malzeme ve makine kısıtlarını gözeten, tekrarlanabilir ve üretim odaklı bir tasarım–üretim köprüsü sunmaktadır. Buna ek olarak, sentetik veya hibrit veri kümelerine dayanan önceki yaklaşımlardan farklı olarak, yalnızca fiziksel olarak üretilmiş örgü kumaş görüntüleri üzerinde eğitilen ve değerlendirilen 13 sınıflı bir anlamsal segmentasyon çerçevesi sunulmaktadır. Aşırı sınıf dengesizliği, ince yapısal varyasyonlar ve ilmek düzeyindeki geometrik karmaşıklıklar dikkate alınarak geliştirilen bu mimari; çok ölçekli bağlamsal modelleme ile satır–sütun yönlü yapısal bağımlılıkları birlikte ele almaktadır. Sistem, gerçek örgü örnekleri üzerinde %95,65 piksel doğruluğu, 0,7829 ortalama IoU ve %80,2 makro F1 skoru elde ederek hem baskın hem de nadir ilmek sınıflarında yüksek düzeyde güvenilirlik ortaya koymaktadır.

This doctoral dissertation addresses the transformation process between digital design and physical textile production in knitting through two technical problems. The first problem focuses on converting digital visuals into knit-compatible outputs while accounting for production constraints such as yarn count, predefined color palettes, and machine resolution. The second problem concerns the automatic extraction and meaningful visualization of stitch-level structural information directly from physically produced knitted fabric surfaces. Within this scope, a perceptually guided workflow is proposed for transforming digital images into knit-ready outputs constrained by predefined yarn palettes. Multiple error diffusion–based color quantization methods are quantitatively evaluated using seven perceptual and statistical quality metrics. These metrics are normalized and aggregated into a single composite score through perceptual weighting, enabling systematic comparison among alternative methods. The selected visual is then automatically converted into a bitmap format in which colors are explicitly mapped to knitting codes, resulting in outputs that are directly ready for production. This approach establishes a reproducible, production-oriented design-to-manufacturing bridge that preserves visual fidelity while respecting material and machine constraints. In addition, a 13-class semantic segmentation framework is introduced that is trained and evaluated exclusively on physically produced knitted fabric images, in contrast to prior approaches relying on synthetic or hybrid datasets. The proposed architecture is designed to address extreme class imbalance, subtle structural variations, and stitch-level geometric complexity by jointly modeling multi-scale contextual information and row–column directional dependencies. Experimental results on real knitted samples demonstrate strong and reliable performance, achieving 95.65% pixel accuracy, a mean IoU of 0.7829, and a macro F1-score of 80.2%. These results confirm the framework's ability to robustly represent both dominant and rare stitch types directly within the physical domain.