Elektronik düz örme makinelerinde intarsia desen üretiminin optimizasyonu için gnn ve genetik algoritma tabanlı hibrit model tasarımı

Abstract

Tekstil üretiminde dijital tasarım ve bilgisayar destekli üretim süreçlerinin yaygınlaşması, çok renkli örme desenlerin üretim mantığına uygun biçimde çözümlenmesini önemli hâle getirmiştir. Bu tez çalışmasının amacı, intarsia örme desenlerinden iplik taşıyıcı/mekik alanlarının otomatik olarak çıkarılması için kural tabanlı bölge çıkarımı, Grafik Dikkat Ağı ve Genetik Algoritma tabanlı eniyileme aşamalarını birleştiren hibrit bir yöntem geliştirmektir. Çalışmada 8001 RGB intarsia desen görüntüsü ve bu görüntüler için kural tabanlı algoritma tarafından üretilen ön maske çıktıları kullanılmıştır. Tüm görüntüler 256×256 piksel boyutundadır ve ön maskeler 25 sınıflı RGB renk paleti yapısına sahiptir. Önerilen yöntemde öncelikle RGB desenlerden kural tabanlı ön maske ve bölge kimlik haritaları elde edilmiştir. Daha sonra her bağlantılı bölge bir düğüm, komşu bölgeler arasındaki ilişkiler ise kenar olarak tanımlanarak bölge grafı oluşturulmuştur. Her düğüm; geometrik özellikler, konumsal bilgiler, renk istatistikleri ve ön etiket bilgisini içeren 42 boyutlu özellik vektörüyle temsil edilmiştir. Oluşturulan bölge grafı yapıları üç katmanlı Grafik Dikkat Ağı modeli ile eğitilmiş ve her bölge için sınıf tahmini üretilmiştir. Son aşamada, düşük güvenli bölge tahminleri Genetik Algoritma ile eniyilenerek nihai GAT+GA maske çıktıları elde edilmiştir. Genetik Algoritma; GAT güveni, ön etiket tutarlılığı, renk uyumu ve komşuluk tutarlılığı ölçütlerini birlikte dikkate almıştır. Deneysel sonuçlara göre GAT modeli test kümesinde 0.983937 düğüm doğruluğu, 0.972723 ortalama kesişim-birleşim oranı ve 0.976727 Dice benzerlik katsayısına ulaşmıştır. Genetik Algoritma sonrası düğüm düzeyinde ortalama doğruluk 0.994357'ye, ortalama kesişim-birleşim oranı 0.989961'e ve Dice benzerlik katsayısı 0.991430'a yükselmiştir. Bu sonuçlar, kural tabanlı ön maske üretimi, grafik dikkat ağı tabanlı bölge sınıflandırması ve genetik algoritma destekli eniyilemenin birlikte kullanılmasının intarsia desenlerinde iplik taşıyıcı/mekik alan çıkarımı için başarılı ve geliştirilebilir bir yaklaşım sunduğunu göstermektedir.

The increasing use of digital design and computer-aided manufacturing processes in textile production has made it important to analyze multicolored knitted patterns in accordance with production logic. The aim of this thesis is to develop a hybrid method for the automatic extraction of yarn carrier/feeder areas from intarsia knitting patterns by combining rule-based region extraction, Graph Attention Network, and Genetic Algorithm-based optimization stages. In this study, 8001 RGB intarsia pattern images and the preliminary mask outputs generated by the rule-based algorithm were used. All images have a size of 256×256 pixels, and the preliminary masks have a 25-class RGB color palette structure. In the proposed method, rule-based preliminary masks and region identity maps were first obtained from RGB patterns. Then, each connected region was defined as a node, and the relationships between neighboring regions were represented as edges to construct region graphs. Each node was represented by a 42-dimensional feature vector including geometric features, positional information, color statistics, and preliminary label information. The generated region graphs were trained using a three-layer Graph Attention Network model, and class predictions were produced for each region. In the final stage, low-confidence region predictions were optimized using a Genetic Algorithm, and final GAT+GA mask outputs were obtained. The Genetic Algorithm jointly considered GAT confidence, preliminary label consistency, color consistency, and neighborhood consistency. According to the experimental results, the GAT model achieved 0.983937 node-level accuracy, 0.972723 mean Intersection over Union, and 0.976727 Dice similarity coefficient on the test set. After Genetic Algorithm optimization, the mean node-level accuracy increased to 0.994357, the mean Intersection over Union increased to 0.989961, and the Dice similarity coefficient increased to 0.991430. These results show that the combined use of rule-based preliminary mask generation, graph attention-based region classification, and genetic algorithm-supported optimization provides a successful and extensible approach for yarn carrier/feeder area extraction in intarsia patterns.