İMALAT SIRASINDA MALZEME YÜZEYİNDE OLUŞAN HATALARIN MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE BELİRLENMESİ

Abstract

İmalatı yapılan malzemelerin imalat sırasında veya sonrasında kalite kontrollerinin etkin bir şekilde yapılması maliyet, iş ve zaman tasarrufu açısından çok önemlidir. Üretim endüstrisinde yaygın şekilde kullanılan çelik ve türevleri, modern zamanların en önemli yapı malzemelerinden biridir. Bu nedenle imalat sürecinde, çelik yüzeylerde meydana gelen hataların etkin bir şeklide tespiti çok mühimdir. Yapay zeka tabanlı uygulamalarla, çelik üretimi daha verimli hale gelecektir. Bu tez çalışmasında, çelik üretim sürecinde oluşan yüzey kusurlarını tespit eden ve sınıflandıran derin öğrenme tabanlı yaklaşımlar geliştirilmiştir. Önerilen ilk metodoloji dört adımda oluşturulmuştur. İlk adımda, kalıntı ve dikkat yapılarını paralel olarak eğiten ve böylece sınıflandırma performansını artıran bir derin öğrenme modeli tasarlanmıştır. İkinci adımda, Paralel Dikkat Artık Evrişimsel Sinir Ağı (PDA-ESA) modelinden derin öznitelikler çıkarılmıştır. Üçüncü adımda ise çıkarılan öznitelikler, Komşuluk Bileşen Analizi (KBA) ve ReliefF algoritmalarından elde edilen indislerin eşleştirilmesine dayanan yeni ve basit bir algoritma (KREİ) ile seçilmiştir. Son aşamada, Destek Vektör Makineleri (DVM) algoritması ile sınıflandırma yapılmıştır. Önerilen metodoloji, ikili ve çok sınıflı sınıflandırma görevleri için kullanılmıştır ve Kaggle veri tabanındaki "Severstal: Steel Defect Detection" ve NEU çelik yüzey hataları veri seti üzerinde değerlendirilmiştir. Birinci sınıflandırma görevinde hatasız ve hatalı çelik yüzey görüntüleri sınıflandırılmış ve %97,90 sınıflandırma doğruluğu elde edilmiştir. İkinci sınıflandırma görevinde beş hata türünden oluşan sınıflandırma çalışılmış ve %94,50 sınıflandırma doğruluğu elde edilmiştir. Önerilen ikinci yaklaşım ise beş aşamadan oluşmaktadır. Tüm aşamalar sınıflandırma performansını artırmak için kullanılmıştır. Spektogram görüntüler kullanılmış ve veriler PDA-ESA modeli olarak adlandırılan yeni tasarlanmış bir model ile eğitilmiştir. Hesaplama maliyetini düşürmek ve sınıflandırma performansını artırmak için İterasyonlu Komşuluk Bileşen Analizi (İKBA) adlı etkili ve hızlı bir öznitelik seçimi algoritması uygulanmıştır. İkili sınıflandırma için eğitim-doğrulama doğruluk puanları sırasıyla %100 ve %95,38'e çıkmıştır. Çok sınıflı sınıflandırma için eğitim-doğrulama doğruluk puanları sırasıyla %99,21 ve %91,89'a ulaşmıştır.The effective quality control of materials in production process is so significant in terms of being cost-effective, labour-saving and time-saving. Steel used widely in production industry is one of the most important building materials of modern times. Therefore, the efficient detection of steel surface defects in production process is very important. Artificial intelligence-based applications will help to make steel production more efficient. In this study, a new deep learning-based approach has been developed that detects and classifies surface defects that occur in the steel production process. The first proposed methodology was created in four steps. In the first step, a deep learning model is designed that trains the residual and attention structures in parallel, thus increasing the classification performance. In the second step, deep features were extracted from the Parallel Attention-Residual Convolutional Neural Networks (PAR-CNN) model. The extracted features in the third step were selected by a new and simple algorithm based on matching the indexes obtained from the Neighbourhood Component Analysis (NCA) and Relief algorithms (NRMI). In the last process, classification was done with the Support Vector Machine (SVM) algorithm. The proposed methodology was used for dual and multi-class classification tasks and evaluated on two dataset in the Kaggle database named Severstal: Steel Defect Detection and NEU steel surface dataset. In the first classification task, defect-free and faulty steel surface images were classified and 97.90% classification accuracy was achieved. In the second classification task, the classification consisting of five classes was studied and 94.50% the classification accuracy was obtained. The second proposed approach consists of five stages. All stages were used to improve the classification performance. Spectogram images were used and the data were trained with a newly designed model called PAR-CNN model. An efficient and fast feature selection algorithm called Iterated Neighbourhood Component Analysis (INCA) was applied to reduce the computational cost and improve the classification performance. The training-validation accuracy scores for binary classification improved to 100% and 95.38%, respectively. For multiclass classification, the training-validation accuracy scores reached 99.21% and 91.89%, respectively.