SYNTHETIC DATA-AIDED DEEP LEARNING-BASED QUALITY CONTROL IN GLASS FIBER PRODUCTION: AN AUTONOMOUS DECISION SUPPORT SYSTEM APPROACH

Abstract

This study presents a deep learning-based decision support system prototype, named Glass Fiber Quality Automation System (CEKOS) designed to automate quality control processes within the paradigms of Industry 4.0 and Quality 4.0, specifically in glass fiber production. The primary objective is to minimize the labor intensity and human error risk associated with traditional manual inspection methods. The system was developed on an embedded architecture utilizing a Raspberry Pi 4, aligning with a low-cost automation approach. To overcome the challenge of data scarcity, the model was trained using synthetic images generated to replace real damaged product data. Model optimization was achieved via transfer learning on an optimized VGG16 architecture. The CEKOS model attained an overall test accuracy of 89.08%. From a Management Information Systems perspective, the most significant contribution lies in the system's ability to provide current detected defect classification data as an enterprise resource planning integrable quality score through an API interface. This feature equips business managers with actionable insights, establishing a proactive, rather than reactive, decision support mechanism that drives process improvement and supports data-driven decision-making.

Keywords

• Deep Learning
• Quality Control
• Decision Support System
• Management Information Systems
• Synthetic Data
• Industry 4.0

Ethical Statement

This study is not subject to ethics committee approval as it does not involve the use of human or animal subjects. Only inanimate glass fiber samples and synthetically generated data were utilized within the scope of the study. This study has been prepared in accordance with all regulations under the 'Higher Education Institutions Scientific Research and Publication Ethics Directive'.

CAM ELYAF ÜRETİMİNDE SENTETİK VERİ DESTEKLİ DERİN ÖĞRENME TABANLI KALİTE KONTROL: OTONOM BİR KARAR DESTEK SİSTEMİ YAKLAŞIMI

Abstract

Bu çalışma, Endüstri 4.0 ve Kalite 4.0 paradigmaları kapsamında, cam elyaf üretimindeki kalite kontrol süreçlerini otomatize eden derin öğrenme tabanlı Cam Elyaf Kalite Otomasyon Sistemi (CEKOS) adlı bir karar destek sistemi prototipini sunmaktadır. Geleneksel manuel kontrol yöntemlerinin getirdiği iş yükünü ve insan hatası riskini minimize etmek hedeflenmiştir. Sistem, düşük maliyetli otomasyon yaklaşımıyla uyumlu olarak Raspberry Pi 4 tabanlı gömülü bir mimari üzerinde geliştirilmiştir. Veri kıtlığı sorununu aşmak için, gerçek hasarlı ürün verisinin yerine üretilen sentetik görüntülerden yararlanılmış ve model eğitimi transfer öğrenme ile optimize edilmiş VGG16 mimarisi üzerinde gerçekleştirilmiştir. CEKOS modeli, testlerde %89,08 genel doğruluk oranına ulaşmıştır. Yönetim Bilişim Sistemleri açısından en önemli katkı, sistemin tespit ettiği güncel hasar sınıflandırma verilerini, kurumsal kaynak planlama sistemlerine entegre edilebilir bir kalite skoru olarak API aracılığıyla sunmasıdır. Geliştirilen sistem, işletme yöneticilerine eyleme dönüştürülebilir içgörüler sağlayan, reaktif değil proaktif bir karar destek mekanizması sunarak süreç iyileştirmeyi ve veriye dayalı karar verme süreçlerini desteklemektedir.

Keywords

• Derin Öğrenme
• Kalite Kontrol
• Karar Destek Sistemi
• Yönetim Bilişim Sistemleri
• Sentetik Veri
• Endüstri 4.0

Ethical Statement

Bu çalışma, insan veya hayvan deneklerin kullanımını gerektirmediğinden etik kurul iznine tabi değildir. Çalışma kapsamında sadece cansız cam elyaf numuneleri ve sentetik olarak üretilmiş veriler kullanılmıştır. Çalışma, 'Yükseköğretim Kurumları Bilimsel Araştırma ve Yayın Etiği Yönergesi' kapsamındaki tüm kurallara uygun olarak hazırlanmıştır.

References

1. Alramli, T. ve Tekerek, A. (2025). A hybrid lightweight deep neural network approach for plant disease classification using self-attention mechanism and transfer learning. Journal of Agricultural Sciences, 31 (2): 392-412. https://doi.org/10.15832/ankutbd.1537267
2. Arora, M. (2023). AI-driven Industry 4.0: Advancing quality control through cutting-edge image processing for automated defect detection. International Journal of Computer Science and Mobile Computing, 12 (8): 16-32. https://doi.org/10.47760/ijcsmc.2023.v12i08.003
3. Aşçı, S. Y., Göker, F., Yılmaz, T. ve Güral, A. (2025). U-Net modeli kullanılarak derin öğrenme ile AISI 4340 çeliğinde mikroyapı tahminlerinin ve inklüzyonların belirlenmesi. Politeknik Dergisi, 28 (5): 1365-1374. https://doi.org/10.2339/politeknik.1599580
4. Carvalho, A. V., Enrique, D. V., Chouchene, A. ve Charrua-Santos, F. (2021). Quality 4.0: An overview. Procedia Computer Science, 181: 341-346. https://doi.org/10.1016/j.procs.2021.01.176
5. Çetin, V. ve Yıldız, O. (2022). A comprehensive review on data preprocessing techniques in data analysis. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 28 (2): 299-312. https://doi.org/10.5505/pajes.2021.62687
6. Dogru, A. K. ve Keskin, B. B. (2020). AI in operations management: applications, challenges and opportunities. Journal of Data, Information and Management, 2 (2): 67-74. https://doi.org/10.1007/s42488-020-00023-1
7. Duman, B. ve Özsoy, K. (2021). Toz yatak füzyon birleştirme eklemeli imalatta kusur tespiti için öğrenme aktarımı kullanan derin öğrenme tabanlı bir yaklaşım. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37 (1): 361-376. https://doi.org/10.17341/gazimmfd.870436
8. Gao, M., Huo, L., Wang, F. vd. (2025). CNN-based similar microwave reflection signals for improved detectability and intelligent characterization of internal defects in composite materials. Journal of Nondestructive Evaluation, 44 (1): 28. https://doi.org/10.1007/s10921-025-01163-3

9. Hanbay, K. (2023). Classification of circular knitting fabric defects using MobileNetV2 model. Türk Doğa Ve Fen Dergisi, 12 (4): 63-68. https://doi.org/10.46810/tdfd.1327971
10. Kılıç, K. ve Özcan, U. (2023). AlexNet architecture optimized for wood defect detection. Bozok Journal of Engineering and Architecture, 2 (2): 20-28.
11. Kılıç, Ö., Susuz, D. M. ve Süzek, B. (2019). A quality control system prototype for detecting knot defects in the wooden panel manufacturing. Mugla Journal of Science and Technology, 5 (1): 24-33. https://doi.org/10.22531/muglajsci.473338
12. LeMay, G. ve Boldsaikhan, E. (2025). Detection of release fabric defects in fiber-reinforced composites using through-transmission ultrasound. Journal of Manufacturing and Materials Processing, 9 (3): 94. https://doi.org/10.3390/jmmp9030094
13. Örs, M. E. ve Özçelik, Z. (2025). Görüntü işleme ve derin öğrenme ile kaynak hatalarının gerçek zamanlı tespiti. DCE Doğa Bilimleri Dergisi, 5 (2): 83-97.
14. Plathottam, S. J., Rzonca, A., Lakhnori, R. ve Iloeje, C. O. (2023). A review of artificial intelligence applications in manufacturing operations. Journal of Advanced Manufacturing and Processing, 5(3): e10159. https://doi.org/10.1002/amp2.10159
15. Sader, S., Husti, I. ve Daroczi, M. (2022). A review of quality 4.0: Definitions, features, technologies, applications, and challenges. Total Quality Management & Business Excellence, 33 (9–10): 1164–1182. https://doi.org/10.1080/14783363.2021.1944082
16. Sağlam, A., Taş, M. ve Baykan, N. (2020). Geri dönüştürülebilir atıkların materyallerine göre sınıflandırılması için Raspberry Pi tabanlı donanım geliştirilmesi. Avrupa Bilim ve Teknoloji Dergisi, (20): 30-38. https://doi.org/10.31590/ejosat.802692
17. Üzen, H., Türkoğlu, M., Arı, A. ve Hanbay, D. (2022). Piksel seviyesinde yüzey hata tespiti için InceptionV3 tabanlı zenginleştirilmiş öznitelik entegrasyon ağ mimarisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 38 (2): 721-732. https://doi.org/10.17341/gazimmfd.1024425
18. Üzen, H., Türkoğlu, M. ve Hanbay, D. (2021). Result weighting-based Resnet feature pyramid network architecture for surface defect detection. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, 9 (4): 760-772. https://doi.org/10.29109/gujsc.1021785
19. Wu, R., Wei, H., Lu, C. ve Yang, L. (2025). Automatic and accurate determination of defect size in shearography using U-Net deep learning network. Journal of Nondestructive Evaluation, 44: 12. https://doi.org/10.1007/s10921-024-01149-7