Derin öğrenme yöntemi ile kesici takımların sınıflandırılması ve tespiti
Yükleniyor...
Tarih
2023-09-21
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Gerçekleştirilen bu tez çalışmasında, tornalama işlemlerinde kullanılan ve ISO standartlarına göre C, R. S, Q vb. olarak adlandırılan takımların derin öğrenme yöntemi ile sınıflandırılması ve tahmini yapılmıştır. Bu amaçla farklı geometrik şekillere sahip kesici takım görüntüleri kullanılarak bir veri seti oluşturulmuştur. Bu veri setindeki görüntüler görüntü çoğaltma yöntemleri kullanılarak artırılmıştır. Daha sonra elde edilen bu veri setlerindeki görüntüler CNN, Xception, ResNet, LeNet, AlexNet ve GoogleNet ağ mimarileri ile kesici takım görüntüleri eğitilmiş, test edilmiş ve doğrulamaları yapılmıştır. Kesici takımların görüntüleri ISO standardında yer alan kodlara göre (C, R, S, Q vb) göre sınıflandırılmış ve görüntülerin tahmini de buna göre yapılmıştır. CNN, Xception, ResNet, LeNet, AlexNet ve GoogleNet ağ mimarileri ile eğitilen kesici takım görüntüleri doğrulama değerleri sırasıyla
%91, %99, %13, %60, %97 ve %13 olarak elde edilmiştir. Bu ağ mimarilerinde en iyi sonuçları veren Xception, CNN ve AlexNet olduğu görülmüştür. ResNet, LeNet ve GoogleNet ile eğitilen görüntülerin başarı oranın düşük olduğu sonucuna varılmıştır. Sonuç olarak kesici takımların görüntüleri geliştirilen ve eğitilen derin öğrenme metodu ile değerlendirilmiştir. Böylece tornalamada ne tür bir kesici takım kullanıldığını tahmin eden ve işleme yöntemine uygun bir şekilde sınıflandırılan bir yöntem geliştirilmiştir. Bu görüntü işleme yöntemi ile kesici takımların farklı özellikleri kullanılarak sınıflandırılması ve otomasyon sistemlerinde etkin bir şekilde kullanılarak dijitalleşen sanayi alanına katkıda bulunulacaktır.
In this thesis study, C, R. S, Q etc. used in turning operations and according to ISO standards. The so-called teams were classified and predicted using the deep learning method. For this purpose, a data set was created using images of cutting tools with different geometric shapes. The images in this dataset were augmented using image augmentation methods. Then, the images in these obtained data sets were trained, tested and verified using CNN, Xception, ResNet, LeNet, AlexNet and GoogleNet network architectures. Images of cutting tools were classified according to the codes in the ISO standard (C, R, S, Q, etc.) and the images were estimated accordingly. Validation values of cutting tool images trained with CNN, Xception, ResNet, LeNet, AlexNet and GoogleNet network architectures are respectively obtained as 91%, 99%, 13%, 60%, 97% and 13%. It has been seen that Xception, CNN and AlexNet give the best results in these network architectures. It was concluded that the success rate of images trained with ResNet, LeNet and GoogleNet was low. As a result, the images of the cutting tools were evaluated with the developed and trained deep learning method. Thus, a method was developed that predicts what type of cutting tool is used in turning and classifies it in accordance with the processing method. With this image processing method, the classification of cutting tools using their different features and their effective use in automation systems will contribute to the digitalized industrial field.
In this thesis study, C, R. S, Q etc. used in turning operations and according to ISO standards. The so-called teams were classified and predicted using the deep learning method. For this purpose, a data set was created using images of cutting tools with different geometric shapes. The images in this dataset were augmented using image augmentation methods. Then, the images in these obtained data sets were trained, tested and verified using CNN, Xception, ResNet, LeNet, AlexNet and GoogleNet network architectures. Images of cutting tools were classified according to the codes in the ISO standard (C, R, S, Q, etc.) and the images were estimated accordingly. Validation values of cutting tool images trained with CNN, Xception, ResNet, LeNet, AlexNet and GoogleNet network architectures are respectively obtained as 91%, 99%, 13%, 60%, 97% and 13%. It has been seen that Xception, CNN and AlexNet give the best results in these network architectures. It was concluded that the success rate of images trained with ResNet, LeNet and GoogleNet was low. As a result, the images of the cutting tools were evaluated with the developed and trained deep learning method. Thus, a method was developed that predicts what type of cutting tool is used in turning and classifies it in accordance with the processing method. With this image processing method, the classification of cutting tools using their different features and their effective use in automation systems will contribute to the digitalized industrial field.
Açıklama
Anahtar Kelimeler
AlexNet, CNN, GoogleNet, LeNet, ResNet, TensorFlow2, Yapay Sinir Ağları, Xception, Artificial Neural Networks
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Taş, K. (2023). Derin öğrenme yöntemi ile kesici takımların sınıflandırılması ve tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
