Transfer öğrenme modellerinin basamaklandırılmış derin özelliklerini ve topluluk sınıflandırıcıları kullanarak lastik çatlaklarının tespit edilmesi
Yükleniyor...
Tarih
2024-03-27
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışma, araç sürücülerinin lastiklerinde oluşan çatlakları tespit etmeye yönelik yapay zeka destekli bir yıpranmış lastik tespit sistem önermektedir. Genel olarak, sürücüler lastik diş derinliği ve hava basıncının önemini bilse de lastik oksidasyonundan kaynaklanan risklerin farkında değildir. Oysa lastik oksidasyonu ve çatlaklar, sürüş güvenliğini etkileyen önemli sorunlara yol açabilir. Bu çalışmada, ön-eğitimli transfer öğrenme yöntemleri kullanılarak elde edilen derin öznitelikler ve topluluk öğrenme yöntemleri kullanılarak lastiklerde çatlak tespitine yönelik CTLDF+EnC isimli yeni bir hibrit mimari önerilmektedir. Önerilen hibrit modeller, özniteliklerin elde edildiği dokuz transfer öğrenme yöntemi ve sınıflandırıcı olarak İstifleme, Yumuşak ve Katı oylama topluluk öğrenme yöntemlerini içermektedir. Çalışma literatürdeki endüstriye kullanıma yönelik X-Ray görüntü tabanlı yapılmış çoğu çalışmanın aksine herhangi bir sayısal görüntüleme cihazı ile elde edilebilecek görüntüler ile çalışmaktadır. Çalışma kapsamında en yeksek test doğruluk değeri 76,92% ile CTLDF+EnC (İstifleme) hibrit model ile elde edilmiştir. CTLDF+EnC (Yumuşak) ve CTLDF+EnC (Katı) mimarileri için ise doğruluk değerleri sırasıyla 74,15% ve 72,92% olarak elde edilmiştir. Çalışmanın sonuçları, önerilen hibrit modellerin lastik problemlerini tespit etme konusunda etkili olduğunu göstermiştir. Ayrıca düşük maliyetli ve uygulanabilir bir yapı sunulmaktadır.
This study proposes an artificial intelligence-supported worn tire detection system to detect cracks in vehicle drivers' tires. In general, drivers are aware of the significance of tire tread depth and air pressure, but are not aware of the risks associated with tire oxidation. However, tire oxidation and cracks can lead to significant problems affecting driving safety. In this study, a new hybrid architecture called CTLDF+EnC is proposed for crack detection in tires using deep features obtained using pre-trained transfer learning methods and ensemble learning methods. The proposed hybrid models include nine transfer learning methods to extract features and Stacking, Soft and Hard voting ensemble learning methods as classifiers. Unlike most studies in the literature based on X-Ray images for industrial use, the study works with images that can be obtained with any digital imaging device. Within the scope of the study, the highest test accuracy value of 76.92% was obtained with the CTLDF+EnC (Stacking) hybrid model. For CTLDF+EnC (Soft) and CTLDF+EnC (Hard) architectures, accuracy values were obtained as 74.15% and 72.92%, respectively. The results of the study show that the proposed hybrid models are effective in detecting tire problems. In addition, a low-cost and feasible structure is presented.
This study proposes an artificial intelligence-supported worn tire detection system to detect cracks in vehicle drivers' tires. In general, drivers are aware of the significance of tire tread depth and air pressure, but are not aware of the risks associated with tire oxidation. However, tire oxidation and cracks can lead to significant problems affecting driving safety. In this study, a new hybrid architecture called CTLDF+EnC is proposed for crack detection in tires using deep features obtained using pre-trained transfer learning methods and ensemble learning methods. The proposed hybrid models include nine transfer learning methods to extract features and Stacking, Soft and Hard voting ensemble learning methods as classifiers. Unlike most studies in the literature based on X-Ray images for industrial use, the study works with images that can be obtained with any digital imaging device. Within the scope of the study, the highest test accuracy value of 76.92% was obtained with the CTLDF+EnC (Stacking) hybrid model. For CTLDF+EnC (Soft) and CTLDF+EnC (Hard) architectures, accuracy values were obtained as 74.15% and 72.92%, respectively. The results of the study show that the proposed hybrid models are effective in detecting tire problems. In addition, a low-cost and feasible structure is presented.
Açıklama
Anahtar Kelimeler
Derin Öznitelikler, Lastik Çatlakları, Topluluk Öğrenme, Transfer Öğrenme, Deep Features, Ensemble Learning, Tire Cracks, Transfer Learning
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Askar, Ö. (2024). Transfer öğrenme modellerinin basamaklandırılmış derin özelliklerini ve topluluk sınıflandırıcıları kullanarak lastik çatlaklarının tespit edilmesi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
