Evrişimli Sinir Ağları Yöntemleri ile Nozul Hasar Tespiti

Year 2025, Volume: 8 Issue: 1, 151 - 167, 26.08.2025

Barış Kol , Erdem Yavuz

https://doi.org/10.56809/icujtas.1637819

Abstract

Lazer teknolojilerinin kullanımı günümüzde çeşitli sektörlerde oldukça yaygınlaşmış ve özellikle makine sektöründe kullanımı önemli ölçüde artmıştır. Makine sektöründe genellikle metal ve metal olmayan malzemelerin işlenmesinde, sac metal şekillendirme, profil işleme gibi süreçlerde, lazer kesim makineleri kullanılmaktadır. Elde edilen son ürün olan işlenmiş ürünün kalitesinin artırılması adına, lazer kesim makinelerinde karşılaşılan sorunlar incelenmiştir. Lazer kesim makinelerinin lazer kafalarında bulunan ve lazer ışınının çıkış yaptığı son materyal olan nozulda, uzun süreli kullanımlarda veya lazer kafasının sac metale ya da kesme tablasına çarpması sonucunda hasarlar oluştuğu gözlemlenmektedir. Nozulda oluşan bu hasarlar kesim kalitesini doğrudan etkilemektedir. Bu çalışmada kesim sırasında kullanılan nozulun, hasarlı veya hasarsız olarak sınıflandırılması işlemi için Evrişimli Sinir Ağları Yöntemleri kullanılmıştır. Tek katmanlı veya çift katmanlı olan iki farklı tip nozul için uzman kontrolünde hasarlı veya hasarsız olarak etiketleme yapılarak 336 adet nozulun görüntüsü alınmış ve veri seti oluşturulmuştur. Oluşturulan veri seti için nozul tipi tek katman olacak şekilde segmentasyon işlemi yapılarak maskelenmiş, sonrasında tek katmanlı tip olan nozul için merkez daire kontrolü yapılmış, merkez dairesi kesime uygun olan nozullar için çevre hasar kontrolü yapılarak sınıflandırma işlemi gerçekleştirilmiştir. Belirtilen sınıflandırma işlemleri için AlexNet, DenseNet, EfficientNet, ResNet ve VGG evrişimli sinir ağı yöntemleri kullanılmıştır. Belirtilen sınıflandırma yöntemleri, topluluk öğrenmesi (Ensemble Learning) yöntemi ile eğitilerek, nozul sınıflandırma işleminde karar verilmesi sağlanmıştır.

Keywords

Lazer Kesim Makineleri , Evrişimli Sinir Ağları , Segmentasyon , Topluluk Öğrenmesi

Thanks

Bu çalışma, Durmazlar Makine A.Ş.’nin değerli destekleri olmadan gerçekleştirilemezdi. Bu çalışmanın yürütülmesi ve tamamlanması sürecinde sağladıkları değerli destekler için Durmazlar Makine A.Ş.’ye içten teşekkürlerimi sunarım. Özellikle veri toplama ve test aşamasında sundukları altyapı ve olanaklar ile maddi ve manevi katkıları, araştırmanın başarılı bir şekilde gerçekleştirilmesine önemli ölçüde katkı sağlamıştır. Desteklerinden dolayı Durmazlar Makine A.Ş. yönetimine ve proje sürecinde emeği geçen tüm çalışanlarına şükranlarımı sunarım.

Nozzle Damage Detection with Convolutional Neural Network Methods

Abstract

The use of laser technologies has become quite widespread in various sectors today and its use has increased significantly, especially in the machinery sector. In the machinery sector, laser cutting machines are generally used in the processing of metal and non-metal materials, in processes such as sheet metal forming and profile processing. In order to improve the quality of the final product, the processed product, the problems encountered in laser cutting machines are examined. It is observed that the nozzle, which is located on the laser heads of laser cutting machines and is the last material from which the laser beam exits, is damaged during long-term use or when the laser head hits the sheet metal or cutting table. These damages to the nozzle directly affect the cutting quality. In this study, Convolutional Neural Network Methods were used to classify the nozzle used during cutting as damaged or undamaged. For two different types of nozzles (single nozzle and double nozzle), 336 nozzle images were taken and a data set was created by labeling them as damaged or undamaged under expert control. For the created data set, the nozzle type was masked by segmentation process as single, then center circle control was performed for the single type nozzle, and peripheral damage control was performed for the nozzles whose center circle was suitable for cutting and classification process was performed. AlexNet, DenseNet, EfficientNet, ResNet and VGG convolutional neural network methods were used for the classification process. These classification methods were trained with the Ensemble Learning method to make a decision in the nozzle classification process.

Keywords

Laser Cutting Machines , Convolutional Neural Networks , Segmentation , Ensemble Learning

References

• Akşit, N., Aydın, M. A., & Zaim, A. H. (2022). Siber güvenlikte klavye davranış analizi. İstanbul Ticaret Üniversitesi Teknoloji ve Uygulamalı Bilimler Dergisi, 5(1), 109-122.
• Anilli, M., Demir, A. G., & Previtali, B. (2018). Additive manufacturing of laser cutting nozzles by SLM: processing, finishing and functional characterization. Rapid Prototyping Journal, 24(3), 562-583.
• Can, F., & Eyüpoğlu, C. (2021, October). Convolutional neural network architectures used in computer vision. In 2021 5th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT) (pp. 305-311). IEEE.
• Can, F., & Eyupoglu, C. (2024). FMSNet: A multi-stream CNN for multi-stereo image classification by feature map sharing. IEEE Access, 12, 105566-105572.
• Chen, M. F., Ho, Y. S., Hsiao, W. T., Wu, T. H., Tseng, S. F., & Huang, K. C. (2011). Optimized laser cutting on light guide plates using grey relational analysis. Optics and Lasers in Engineering, 49(2), 222-228.
• He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
• Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
• Karanfil, U., & Yalçın, U. (2019). Real-time monitoring of high-power fibre-laser cutting for different types of materials. Ukrainian journal of physical optics, (20,№ 2), 60-72.
• Köle, A., Ayan, Y., ve Kahraman, N. (2024). Markalama ve Kesme İşlemleri İçin Karbondioksit (CO2) Lazer Makinesi Tasarımı, Üretimi ve Test Çalışmaları. Politeknik Dergisi, 27(2), 1-1.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
• Kuo, C. C. J. (2016). Understanding convolutional neural networks with a mathematical model. Journal of Visual Communication and Image Representation, 41, 406-413.
• Leidinger, D., Penz, A., Schuoecker, D., Deinzer, G., Geiger, M., Haensel, A., & Herbig, N. (1994, September). Nozzle design and simulation of gas flow for the laser cutting process. In Laser Materials Processing: Industrial and Microelectronics Applications (Vol. 2207, pp. 469-479). SPIE.
• Liu, T., Fang, S., Zhao, Y., Wang, P., & Zhang, J. (2015). Implementation of training convolutional neural networks. arXiv preprint arXiv:1506.01195.
• Ravi, N., Gabeur, V., Hu, Y.-T., Hu, R., Ryali, C., Ma, T., Khedr, H., Rädle, R., Rolland, C., Gustafson, L., Mintun, E., Pan, J., Alwala, K. V., Carion, N., Wu, C.-Y., Girshick, R., Dollár, P., ve Feichtenhofer, C. (2024). Sam 2: Segment anything in images and videos. arXiv preprint arXiv:2408.00714.
• Sagi, O., & Rokach, L. (2018). Ensemble learning: A survey. Wiley interdisciplinary reviews: data mining and knowledge discovery, 8(4), e1249.
• Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
• Tan, M., & Le, Q. (2019, May). Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning (pp. 6105-6114). PMLR.
• Tung, T. T., Tan, T. M., & Minh, T. V. (2024). A laser cutting machine prototype. Engineering, Technology & Applied Science Research, 14(1), 12944-12949.
• Ünal, A., Ünal, E., & Güler, D. (2023). EVRİŞİMLİ SİNİR AĞLARI KULLANARAK OPTİK KARAKTER TANIMA. Journal of Business in The Digital Age, 6(1), 1-12.
• Wolpert, D. H. (1992). Stacked generalization. Neural networks, 5(2), 241-259.
• Xiao, H., Zhang, W., Zuo, L., Wen, L., Li, Q., & Li, X. (2025). WFF-Net: Trainable weight feature fusion convolutional neural networks for surface defect detection. Advanced Engineering Informatics, 64, 103073.
• Yalçın, U., & Karanfil, U. (2022). Developing a Real-Time Working Method That Improves Process Efficiency in High-Power Fiber Laser Systems. Micromachines, 13(9), 1552.
• Yurdakul, M., Tükel, T., İç, Y. T., Ülke, İ., Balcı, A., & Güneş, S. (2022). Bir imalat firmasında en iyi ürün kalitesi için lazer ile kesim parametrelerinin en iyilenmesi. Journal of Turkish Operations Management, 6(1), 977-996.