ELEKTRONİK DEVRE ELEMANLARININ EVRİŞİMLİ SİNİR AĞI İLE SINIFLANDIRILMASI VE FARKLI GÜRÜLTÜ SEVİYELERİNDE PERFORMANS ANALİZİ

Abstract

ÖZET

Bu tez çalışmasında yedi farklı elektronik devre elemanı sınıflandırılmıştır. Sınıflandırma işlemi hem orjinal elektronik devre elemanı görüntülerine hemde yapay olarak farklı seviyelerde Gauss gürültüsü eklenmiş elektronik devre elemanı görüntülerine uygulanmıştır. Kullanılan veri seti iki farklı elektronik devre elemanı veri seti birleştirilerek oluşturulmuştur. Veri setinde direnç, diyot, entegre, jumper, kondansatör, LED ve transistör görüntüleri bulunmaktadır. Sınıflandırıcı olarak bir evrişimli sinir ağı (ESA) tasarlanmıştır. Bu ağda üç adet evrişim, üç adet maksimum havuzlama ve bir tanesi çıkış olarak kullanılan iki adet tam bağlantı katmanı bulunmaktadır. Orjinal görüntülerin sınıflandırma işlemi sonucunda eğitim doğruluğu 0.9929, doğrulama doğruluğu 0.9226 ve test doğruluğu 0.9139 olarak elde edilmiştir. Gürültülü görüntülerden elde edilen değerler ise bu değerlerden bir miktar düşüktür. Elde edilen değerler gürültü seviyesinin etkisi göz önünde bulundurularak değerlendirilmiştir. Ayrıca tasarlanan ESA veri setindeki orjinal görünüler kullanılarak diğer modeller ile karşılaştırılmıştır. Karşılaştırma işlemi sonucunda tasarlanan ESA’nın diğer modellere göre en yüksek doğrulama ve test doğruluk değerlerine sahip olduğu görülmüştür. Web kamerası ile çekilen toplam yirmi adet direnç, entegre ve kondansatör görüntüleri tasarlanan ESA ile ayrı ayrı sınıflandırılmıştır. Sınıflandırma hem orjinal hemde gürültülü görüntülere veri setindeki orjinal görüntüler ile eğitilen ESA ile yapılmıştır. Orjinal görüntülerde %90 başarı oranı elde edilmiştir. Gürültülü görüntülerde ise gürültü seviyelerine göre %90, %75, %70 ve %75 başarı oranları elde edilmiştir.

ABSTRACT

In this thesis study, seven different electronic circuit components were classified. The classification process was applied to both original electronic circuit component images and electronic circuit component images with artificially added Gaussian noise at different levels. The data set used was created by combining two different electronic circuit component data sets. The data set includes resistor, diode, integrated circuit, jumper, capacitor, LED and transistor images. A convolutional neural network (CNN) was designed as a classifier. This network has three convolution layers, three maximum pooling layers, and two full connection layers, one of which is used as output. As a result of the classification process of the original images, the training accuracy was 0.9929, the validation accuracy was 0.9226 and the test accuracy was 0.9139. The values obtained from noisy images are slightly lower than these values. The obtained values were evaluated taking into account the effect of noise level. Also, the designed CNN was compared with other models using the original images in the data set. As a result of the comparison process, it was seen that the designed CNN had the highest validation and test accuracy values compared to other models. Total of twenty resistor, integrated circuit and capacitor images taken with the webcam were classified separately by the designed CNN. Classification was done on both original and noisy images with CNN trained with the original images in the data set. 90% success rate was achieved on original images. In noisy images, success rates of 90%, 75%, 70% and 75% were achieved depending on the noise levels.