Bir Montaj Parçasının Derin Öğrenme ve Görüntü İşleme ile Tespiti

Abstract

Bu çalışma; kapı, pencere ve kış bahçesi üretimi yapılan bir firmada, montaj projelerinde kullanılmakta olan aksesuarların kamera tespiti ile adedini belirlemek üzere yapılmış ve çalışmada görüntü işleme ve derin öğrenmeye dayalı nesne tespiti yöntemlerinden yararlanılmış, çalışmada Google Colab Platformu, Python Programlama Dili, OpenCV kütüphanesi kullanılmıştır. Öncelikle, ilgili parçaya ilişkin fotoğraf görüntüleri çekilip, LabelImg Grafiksel Resim Ekleme Aracı ile etiketleme işlemi yapılmış ve programdan parçanın koordinatları metin dosyası halinde elde edilmiştir. Bu çıktılar test ve eğitim verisi olarak ikiye ayrılmıştır. Bu çıktılar, Google Colab Platformuna aktarılmış, Yolo Algoritması ile eğitme işlemi yapılmış, eğitim sonunda OpenCV Kütüphanesi kullanılarak hem kameraya erişim hem de parça sayım işlemi gerçekleştirilmiştir. İlgili firma yurtdışına müşteri isteğine bağlı olarak farklı projeler ve bu projelerin yanında çeşitli aksesuar parçaları göndermektedir. Aksesuar parçalarının her biri için ayrı bir kod bulunmaktadır. İşe yeni başlayan işçiler için bu ürünleri tanımak, kodlarını ezberlemek zaman alıcı ve yorucu bir iştir. Alışma sürecinde montaj prosesinde çalışan işçi, proje mühendislerinin hazırladığı kâğıt üzerinde bulunan, oluşturulacak üründe gönderilecek aksesuarların kodlarını bilmediğinden, bunu araştırmak için ekstra bir zaman harcayacak, bazen hatalara ve verimsizliğe neden olacaktır. Çalışmada verimsizliği önlemek ve hatalardan dolayı ortaya çıkacak olan maliyetleri ortadan kaldırmak amacıyla Görüntü İşleme ve Derin Öğrenme yöntemleri kullanılmış, çalışma neticesinde uygun sonuçlara ulaşılmıştır.

Keywords

• Derin Öğrenme
• Görüntü İşleme
• OpenCV Kütüphanesi
• Google Colab Platformu
• Yolo Algoritması

References

1. Carneiro, T., NóBrega, R.V.M., Nepomuceno, T., Bian, G., Albuquerque, V.H., Filho, P.D., (2018), “Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications”, Makale, IEEE Access, Cilt 6, Sayfa 61677-61685.
2. Hendry, Rung, Chen C., (2019), “Automatic License Plate Recognition via sliding-window darknet-YOLO deep learning”, Makale, Image and Vision Computing, Cilt 87, Sayfa 47-56, Chaoyang University of Technology- Satya Wacana Christian University, Tayvan-Endonezya.
3. Kunduracı M.F., (2019), “Görüntü İşleme Yöntemleri Kullanarak Araç Marka ve Modelinin Tespit Edilmesi”, Yüksek Lisans Tezi, Bilişim Teknolojileri Mühendisliği Anabilim Dalı, Konya.
4. Pişkin(2016), http://mesutpiskin.com/blog/opencv-nedir.html . (25 Aralık 2018)
5. Pogorelov, K., Riegler, M., Eskeland, S. L., Lange, T., Johansen, D., Griwodz, C., Schmidt P. T., Halvorsen, P., (2017), “Efficient disease detection in gastrointestinal videos – global features versus neural networks”, Makale, Multimedia Tools and Applications, Cilt 76, Sayfa 22493–22525, Norweç.
6. R.Pathak, A., Pandey, M., Rautaray, S., (2018), “Application of Deep Learning for Object Detection”, Makale, Procedia Computer Science, Cilt 132, Sayfa 1706-1717, Hindistan.
7. Redmon, J., Divvala, S., Girshick, R., Farhadi, A., (2015), “You Only Look Once: Unified, Real-Time Object Detection”, Makale.
8. Shafiee, M. J., Chywl, B., Li, F., Wong, A., (2017), “Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video”, Makale, Kanada.

9. Shinde, S., Kothari, A., Gupta, V., (2018), “YOLO based Human Action Recognition and Localization”, Makale, Procedia Computer Science, Cilt 133, Sayfa 831-838, Hindistan.
10. https://github.com/tzutalin/labelImg (23.10.2019)
11. https://pjreddie.com/darknet/yolo/ (15.11.2019)