MASİF PANEL ÜRETİMİNDE KULLANILAN LAMEL PARÇALARI ÜZERİNDE NESNE TESPİTİ VE SINIFLANDIRILMASI

Abstract

ÖZET

Bu çalışmada, masif panel üretimi esnasında lamel parçalarının kalite sınıflandırması aşamasında kullanılan lamel görüntüleri üzerinde nesne tespit işlemi ve nihai sınıflandırma işlemi gerçekleştirilmiştir. Masif panel üretilirken aynı kalitede lamel parçalarının aynı masif panel levhası üzerinde bir arada olması hedeflenir. Masif panel sektöründe üretim gerçekleştiren firmaların birçoğu ilgili aşamada lamel parçalarının sınıflandırılması işlemini kalite kontrol ekibine bırakır. Kalite kontrol ekibi insan gücüne dayalı çalışmaktadır. Lamellerin kalitelerine göre sınıflandırılması işlemi dikkat gerektiren bir süreçtir. Bu önemli işlemin insan gücüne dayalı olması birçok problemi de beraberinde getirmektedir. Üretimde verim kaybı, zaman planlamasında sapma, üretilen panelin maliyetinin altında satılması, müşteriye karşı güven kaybı gibi sorunlar bunlardan başlıcalarıdır. Bu sebepten tam bu noktada lamel sınıflandırma işlemini derin öğrenme ağı vasıtasıyla otomatikleştirecek uzman bir sisteme ihtiyaç duyulmuştur. Çalışma kapsamında lamel görüntüleri üzerindeki sınıflandırmayı etkileyen faktörlerden budak, yatay desen ve çatlak nesnelerinin tespiti sonrasında başarım metriklerinin elde edilmesi, nihai sınıflandırma işleminin gerçekleştirilmesi aşamaları yer almaktadır. Toplam 2972 adet görüntü kullanılmıştır. Bu görüntülerden 2480 adeti budak, yatay desen ve çatlak modellerine ait eğitim işlemi esnasında kullanılmıştır. Bu görüntüler üzerinde toplam erişilen etiket sayısı 12044’tür. Eğitim sonrasında modellerin başarım metriklerini ölçebilmek için 360 adetlik bir test veri seti oluşturulmuştur. Bir sonraki aşama olan nihai sınıflandırma işleminde kullanılacak test veri setinin sayısı ise 132’dir. Tamamı toplandığında elde edilen rakam 2972 olmaktadır. Görüntüler üzerinde Mask R-CNN ağı kullanılarak eğitim işlemi gerçekleştirilmiştir. Bu tez çalışması kapsamında eğitim işlemi için i9 10980XE işlemcili ve NVIDIA Quadro RTX 5000 ekran kartına sahip bir bilgisayar kullanılmıştır. Görüntüler ise Fujifilm X-S1 12MP kamera vasıtasıyla alınmıştır. Python diliyle birlikte TensorFlow ve Keras kütüphaneleri kullanılmıştır. Mask R-CNN’de seçilen omurga ağı ResNet-101’dir. Deneysel çalışmalar sonucunda gerekli görülen kod blokları, şekil ve çizelgeler yardımıyla daha detaylı analiz gerçekleştirilerek sonuçlar verilmiştir. Öneriler kısmında ise gelecek çalışmalarda hangi problemlerin çözüleceği, hazırda tahmin edilemeyen ya da yanlış tahmin edilen görsellerdeki problemlerin neden kaynaklandığına ve bir sonraki adımda neler yapılabileceğine dair bilgiler sunulmaktadır.

ABSTRACT

In this study, object detection and final classification processes were carried out on the lamella images used in the quality classification of lamella pieces during the production of massive panels. While producing the massive panel, it is aimed to have the same quality lamella pieces together on the same solid panel plate. Most of the companies producing in the solid panel sector leave the classification of the lamella parts to the quality control team. The quality control team works based on manpower. The process of classifying lamellas according to their quality is a process that requires attention. The fact that this important process is based on manpower brings with it many problems. Problems such as loss of efficiency in production, deviation in time planning, sale of the produced panel below its cost, loss of trust towards the customer are the main ones. For this reason, at this point, there was a need for an expert system to automate the lamella classification process through a deep learning network. Within the scope of the study, there are stages of obtaining performance metrics after the detection of knots, horizontal patterns and crack objects, which are among the factors affecting the classification on the lamella images, and performing the final classification process. A total of 2972 images were used. During the training of knot, horizontal pattern and crack models, 2480 images were used. The total number of tags accessed on these images is 12044. After the training, a 360 test data set was created to measure the performance metrics of the models. The number of test data set to be used in the final classification process, which is the next step, is 132. When all are added together, the resulting figure is 2972. Training was performed on the images using Mask R-CNN network. In this thesis, a computer with i9 10980XE processor and NVIDIA Quadro RTX 5000 graphics card was used for the training process. Images were taken with the Fujifilm X-S1 12MP camera. TensorFlow and Keras libraries are used with Python language. The backbone network chosen in Mask R-CNN is ResNet-101. As a result of the experimental studies, more detailed analysis was carried out with the help of code blocks, figures and tables, which were deemed necessary, and the results were given. In the suggestions section, information on which problems will be solved in future studies, why the problems in the images that cannot be predicted or incorrectly estimated, and what can be done in the next step are presented.