Hu Momentleri ve CNN Tabanlı Hibrit Model ile Hazır Giyim Kalıp Görsellerinde Kusur Sınıflandırması

Abstract

Bu çalışma, hazır giyim ve konfeksiyon alanında farklı beden gruplarına ait kalıp/giyim parçası görsellerindeki yapısal kusurların sınıflandırılması için Hu momentleri ile evrişimsel sinir ağı (CNN) mimarisini birleştiren hibrit bir model önermektedir. Small (S), Medium (M) ve Large (L) beden gruplarındaki clean ve defect sınıflarından oluşan veri kümesi, gerçek kumaş/kalıp görselleri temel alınarak hazırlanmış ve veri artırma yöntemleriyle dengelenmiştir. Modelde her görüntüden çıkarılan yedi boyutlu Hu moment vektörü, CNN tarafından öğrenilen görsel özniteliklerle erken füzyon yöntemiyle birleştirilmiştir. Böylece Hu momentlerinin dönüşüm-bağımsız geometrik temsil gücü ile CNN’in otomatik örüntü öğrenme kapasitesi birlikte kullanılmıştır. Çalışmanın özgün yönü, bu iki öznitelik türünün beden bazlı kalıp kusuru sınıflandırması için bütünleştirilmesidir. Aşırı öğrenmeyi azaltmak amacıyla erken durdurma ve öğrenme oranı azaltma stratejileri uygulanmıştır. Deneysel sonuçlarda model, tüm beden gruplarında yüksek başarı göstermiş; M beden grubunda doğruluk ve F1-score %99’a ulaşmıştır. Karışıklık matrisi ve ROC analizleri de clean ve defect sınıflarının başarılı biçimde ayrıldığını göstermiştir. Bulgular, önerilen hibrit yapının sınırlı veri koşullarındaki hazır giyim kalite kontrol uygulamaları için etkili ve uygulanabilir bir alternatif olduğunu göstermektedir.