Yüzey hata tespiti, imalat sistemlerindeki en önemli kalite kontrol bileşenlerinden biridir. Üretim sistemlerinde otomatik yüzey hata algılama yöntemlerinin uygulanması, yüksek kaliteli ürünlerin sağlanmasında önemli bir etkendir. Bu çalışmada, otomatik yüzey hata tespiti için derinlemesine ayrılabilir evrişim tabanlı Derin Özellikli Piramit Ağ (DÖPA) mimarisi geliştirilmiştir. Bu ağ mimarisinde, önceden eğitilmiş VGG19 ağ mimarisinin öğrenilmiş parametreleri kullanılmıştır. Önerilen modelin performansını test etmek için hata tespit görüntüleri içeren MT veri seti kullanılmıştır. Deneysel çalışmalarda, önerilen DÖPA mimarisi kullanılarak %86,86 F1-skor elde edilmiştir. Bu sonuçlar, önerilen modelin var olan çalışmalardan daha başarılı olduğunu göstermiştir.
Yüzey Hata Tespiti Derinlemesine Ayrılabilir Evrişim Özellikli Piramit Ağı Derin Öğrenme.
Surface defect detection is one of the most important quality control components in manufacturing systems. The application of automatic surface defect detection methods in production systems is an important factor in ensuring high-quality products. In this study, depthwise separable convolution-based Deep Feature Pyramid Network (DÖPA) architecture was developed for automatic surface defect detection. In this network architecture, the learned parameters of the pre-trained VGG19 network architecture were used. MT dataset with defect detection images was used to test the performance of the proposed model. In experimental studies, 86.86% F1-score was obtained using the proposed DOPA architecture. These results showed that the proposed model was more successful than the existing studies.
Surface Defect Detection Depthwise Separable Convolution Feature Pyramid Network Deep Learning
Birincil Dil | Türkçe |
---|---|
Konular | Yapay Zeka |
Bölüm | PAPERS |
Yazarlar | |
Yayımlanma Tarihi | 20 Ekim 2021 |
Gönderilme Tarihi | 3 Eylül 2021 |
Kabul Tarihi | 16 Eylül 2021 |
Yayımlandığı Sayı | Yıl 2021 |
The Creative Commons Attribution 4.0 International License is applied to all research papers published by JCS and
a Digital Object Identifier (DOI) is assigned for each published paper.