Seramik Sağlık Gereçleri Ürünlerinin Makine Öğrenmesi Yöntemleriyle Kalite Sınıflandırması
Abstract
Endüstride geniş bir yelpazeye sahip olan seramik sağlık gereçleri, yüksek sıcaklık dayanımı, yüksek sertlik ve korozyon direnci gibi özellikleri nedeniyle öne çıkar. Ancak, üretim sürecinde birçok faktörün etkisi söz konusu olduğundan, seramik sağlık gereçlerinin kalite kontrolü yönetim açısından zorlayıcı olabilmektedir. Makine öğrenmesi yöntemleri ise sınıflandırma ve tahmin problemlerini çözmede etkin bir şekilde kullanılmaktadır. Bu çalışmada, Türkiye’de faaliyet gösteren büyük ölçekli bir seramik sağlık gereçleri üretim tesisi verilerini kullanarak ürün kalitesinin sınıflandırılmasına odaklanılmıştır. Gerçek hayatta karşılaşılan bu problemde, kalite açısından iki farklı sınıf bulunmaktadır. İki sınıflı bu problem için çeşitli makine öğrenimi yöntemleri kullanılarak modeller oluşturulmuş ve elde edilen sonuçlar üzerine detaylı tartışmalar yürütülmüştür. Buna göre doğruluk değeri en yüksek model 0.87 ile karar ağaçları modeli olmuştur. Gini indeksiyle hesaplanan model doğruluk puanı ise 0.864’tür.
Keywords
Seramik sağlık gereçleri, Makine öğrenmesi, Kalite kontrol, Sınıflandırma
References
- Ramesh, P., & Mani, K. (2022). Prediction of surface roughness using machine learning approach for abrasive waterjet milling of alumina ceramic. The International Journal of Advanced Manufacturing Technology, 119(1-2), 503-516.
- Qu, N., Liu, Y., Liao, M., Lai, Z., Zhou, F., Cui, P., ... & Zhu, J. (2019). Ultra-high temperature ceramics melting temperature prediction via machine learning. Ceramics International, 45(15), 18551-18555.
- Ye, Y., Ni, Z., Hu, K., Li, Y., Peng, Y., & Chen, X. (2023). Dielectric constant prediction of perovskite microwave dielectric ceramics via machine learning. Materials Today Communications, 35, 105733.
- Chen, T., Wu, W., Li, W., & Liu, D. (2019). Laser cladding of nanoparticle TiC ceramic powder: Effects of process parameters on the quality characteristics of the coatings and its prediction model. Optics & Laser Technology, 116, 345-355.
- Çöpoğlu, M., Öztürk, G., Çimen, E., & Akdemir, S. C. (2023, May). Measuring Product Dimensions with Computer Vision in Ceramic Sanitary Ware Sector. In International Symposium on Intelligent Manufacturing and Service Systems (pp. 761-768). Singapore: Springer Nature Singapore.
- Cao, T., Song, K., Xu, L., Feng, H., Yan, Y., & Guo, J. (2024). Balanced multi-scale target score network for ceramic tile surface defect detection. Measurement, 224, 113914.
- Wan, G., Fang, H., Wang, D., Yan, J., & Xie, B. (2022). Ceramic tile surface defect detection based on deep learning. Ceramics International, 48(8), 11085-11093.
- Zhang, H., Peng, L., Yu, S., & Qu, W. (2021). Detection of surface defects in ceramic tiles with complex texture. IEEE Access, 9, 92788-92797.
- Lu, Q., Lin, J., Luo, L., Zhang, Y., & Zhu, W. (2022). A supervised approach for automated surface defect detection in ceramic tile quality control. Advanced Engineering Informatics, 53, 101692.
- European Commission. (2007). Reference document on best available techniques in the ceramic manufacturing industry. Ceram. Manuf. Ind, 210-211.