Derin öğrenme kullanılarak montaj hattında ürün tespiti ve ürün sayımının sağlanılması (YOLOv11)

Abstract

Bu çalışmada, süspansiyon sistemi montaj hattında ürün sayımı ve denetimi için YOLO (You Only Look Once) algoritması ve Ultralytics kütüphanesi kullanılmıştır. Bir aracı tekerleklerine bağlayan ve yolla etkileşimini yöneten süspansiyon sistemleri, araç kontrolü ve yolcu konforu için çok önemlidir. Z çubuğu, rot kolu, salıncak kolu ve rot kolu ucu gibi temel bileşenler üretim sürecinde hayati bir rol oynar. Montaj hattında doğru ürün sayımı, herhangi bir eksiklik veya fazlalığı tespit etmek için esastır. Ürün tespiti için operatörün takdirine güvenmek, müşteri şikayetlerine ve mali kayıplara yol açabilir. Bu sorunu ele almak için, daha hızlı ve daha doğru ürün sayımı ve denetimi gerçekleştirmek için YOLO algoritması kullanılmıştır. Derin öğrenmeye dayalı bir nesne tespit yöntemi olan YOLO, Ultralytics YOLOv11 modeli kullanılarak uygulanmıştır. Süspansiyon parçası görüntüleri, eğitim için sınırlayıcı kutular ve sınıf etiketleri ile etiketlenmiştir. Eğitim süreci sırasında, doğruluğu artırmak için hiperparametreler optimize edilmiştir. Eğitimden sonra, model yeni veriler üzerinde test edilmiş ve ürünleri başarıyla tespit edip saymıştır. Sonuç olarak, YOLO ve Ultralytics'in kullanılması montaj hattının ürün sayımı ve inceleme süreçlerini önemli ölçüde iyileştirerek operatör hatalarını ortadan kaldırdı ve daha hızlı, daha hassas sayım sağladı. Bu derin öğrenme yaklaşımı üretim verimliliğini artırarak ürün kalitesini ve güvenilirliğini garantiledi.

Keywords

• YOLO
• Derin Öğrenme
• Süspansiyon
• Tespit
• Ultralytics

Ensuring product detection and product counting on the assembly line using deep learning (YOLOv11)

Abstract

This study used the YOLO (You Only Look Once) algorithm and the Ultralytics library for product counting and inspection on the suspension system assembly line. Suspension systems, which connect a vehicle to its wheels and manage its interaction with the road, are crucial for vehicle control and passenger comfort. Key components, such as the Z-rod, tie rod, swing arm, and tie rod end, play a vital role in the production process. Accurate product counting on the assembly line is essential to detect any shortages or surpluses. Relying on operator discretion for product detection can lead to customer complaints and financial losses. To address this, the YOLO algorithm was employed to perform faster, more accurate product counting and inspection. YOLO, a deep learning-based object detection method, was implemented using the Ultralytics YOLOv11 model. Suspension part images were labeled with bounding boxes and class labels for training. During the training process, hyperparameters were optimized to improve accuracy. After training, the model was tested on new data, successfully detecting and counting products. In conclusion, using YOLO and Ultralytics significantly improved the assembly line's product counting and inspection processes, eliminating operator errors and enabling faster, more precise counting. This deep learningapproach enhanced production efficiency, ensuring product quality and reliability.

Keywords

• YOLO
• Deep Learning
• Suspension
• Detection
• Ultralytics

References

1. [1] M Güvenç, M. A. (2015). Dayanıklılık ve ömür kriterlerine göre optimum tasarıma sahip süspansiyon ve direksiyon sistemi bileşenleri geliştirilmesi.
2. [2] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788.
3. [3] Selamet, F. (2023). Derin öğrenme yöntemleri ile metalik yüzeylerde kusur tespiti ve sınıflandırılması= Defect detection and classification on metallic surfaces using deep learning methods.
4. [4] Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 7263-7271.
5. [5] Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. arXiv preprint arXiv:1804.02767.
6. [6] Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.
7. [7] Jocher, G., & Qiu, J. (2024). Ultralytics YOLO11 (Version 11.0.0). GitHub. https://github.com/ultralytics/ultralytics
8. [8] Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Advances in neural information processing systems (NIPS), 28, 91-99.

9. [9] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. European Conference on Computer Vision (ECCV), 21-37.
10. [10] Ghahremani, A., Adams, S. D., Norton, M., Khoo, S. Y., & Kouzani, A. Z. (2025). Detecting Defects in Solar Panels Using the YOLO v10 and v11 Algorithms. Electronics, 14(2), 344.
11. [11] Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks?. Advances in Neural Information Processing Systems (NIPS), 27.
12. [12] Jocher, G., Chaurasia, A., & Qiu, J. (2020). YOLOv5 by Ultralytics. GitHub repository. https://github.com/ultralytics/yolov5
13. [13] Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLOv8 by Ultralytics. GitHub repository. https://github.com/ultralytics/ultralytics
14. [14] Xie, X., Cai, J., & Tang, G. (2021). Deep Learning for Surface Defect Detection: A Review. Sensors, 21(23), 7952.
15. [15] Li, S., Huang, Y., Cao, H., Han, Z., & Gao, D. (2021). Object Detection and Counting in Complex Scenes Based on Deep Learning. Sensors, 21(16), 5585.
16. [16] He, K., Gkioxari, G., Dollár, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2961-2969.
17. [17] Özel, M. A., Baysal, S. S., & Şahin, M. (2021). Derin öğrenme algoritması (YOLO) ile dinamik test süresince süspansiyon parçalarında çatlak tespiti. Avrupa Bilim ve Teknoloji Dergisi, (26), 1-5.