ÇOKLU KAMERALI KALİTE KONTROL SİSTEMLERİ İÇİN GERÇEK ZAMANLI PARALEL HESAPLAMA KULLANAN MAKİNE GÖRMESİ YAKLAŞIMI

Abstract

Günümüzde, piyasaya sürülen yetenekli makine öğrenmesi modelleri ve bu modellerin üzerinde kolaylıkla çalışabileceği güçlü donanımlar sayesinde makine öğrenmesi teknolojisi birçok alanda olduğu gibi endüstriyel alanda da geniş bir kullanım alanına sahip olmuştur. Bu alanda makine öğrenmesi tekniklerinin önemli kullanım amaçlarından birisi de ürünler üzerinde hata olup olmadığını kontrol eden bilgisayarlı görü temelli kalite kontrolüdür. Önceleri insanlar tarafından yerine getirilen, görme ve karar verme yeteneklerine dayanan bu görevler şimdilerde akıllı sistemler aracılığıyla yerine getirilmeye çalışılmaktadır. Bu amaçla çalışmada, Makine öğrenmesi alanında yeni ve popüler bir konu olan endüstriyel kalite kontrolü işlemleri için bir model oluşturulmaya çalışılmıştır. Tez kapsamında geliştirilecek model için makine öğrenmesinin bir alt alanı olan yapay sinir ağlarından faydalanılmıştır. Bu amaçla, modelin nesne tanıma görevlerini yerine getirmesi amacıyla bir CNN algoritması olan YOLO tercih edilmiştir. Tanıma algoritması tarafından tanınan ve görüntüden ayıklanan nesneler daha sonra ORB algoritması kullanılarak öznitelik çıkarımı işlemine tabi tutulmuş ve kaba kuvvet algoritması ile k-en yakın komşu algoritmasının kombinasyonu kullanılarak hedef nesne ve kaynak nesne üzerinde öznitelik eşleştirmesi yapılarak karşılaştırılmaya çalışılmıştır. Çalışmada, canlı ortamdan eş zamanlı görüntüler elde edilebilmesi için 3 adet kamera kullanılmış ve bu kameralar yardımıyla hedef nesnenin farklı açılardan görüntüleri alınarak nesne tanıma algoritmasına iletilmiştir. YOLO algoritmasının, eş zamanlı nesne tanıma görevini yerine getirmesini sağlayabilmek için CUDA kütüphanesi yardımıyla, paralel işlemeye olanak veren GPU hızlandırıcı olarak kullanılmıştır. Elde edilen sonuçlar ve bulgular verilmiştir. Anahtar Kelimeler: Makine öğrenmesi, bilgisayarlı görü, yapay sinir ağları, kalite kontrolü

Today, thanks to the capable machine learning models introduced into the market and the powerful hardwares that these models can easily work on, machine learning technology has a wide area of use in the industrial field as well as in many areas. One of the important uses of machine learning techniques in this field is computer vision-based quality control, which checks for defects on products. These tasks, which were previously performed by humans and based on their ability to see and make decisions, are now tried to be fulfilled through intelligent systems. For this purpose, in this study, it has been tried to create a model for industrial quality control processes, which is a new and popular subject in the field of machine learning. Artificial neural networks, a sub-field of machine learning, were used for the model to be developed within the scope of the thesis. For this purpose, YOLO, a CNN algorithm, was preferred for the model in order to perform object recognition tasks. The objects recognized by the recognition algorithm and extracted from the image were then subjected to the feature extraction process using the ORB algorithm, and by using the combination of the brute force algorithm and the k-nearest neighbor algorithm, the target object and the source object were compared by making feature matching. In the study, 3 cameras were used in order to obtain simultaneous images from the live environment and with the help of these cameras, images of the target object were taken from different angles and transmitted to the object recognition algorithm. In order to enable the YOLO algorithm to perform the task of simultaneous object recognition, with the help of the CUDA library, the GPU that allows parallel processing was used as an accelerator. Obtained results and findings were given.