Derin Öğrenme Algoritması (YOLO) ile Dinamik Test Süresince Süspansiyon Parçalarında Çatlak Tespiti

Yıl 2021, Sayı: 26 - Ejosat Özel Sayı 2021 (HORA), 1 - 5, 31.07.2021

Muhammed Abdullah Özel Selim Sefa Baysal Mustafa Şahin

https://doi.org/10.31590/ejosat.952798

Cited By: 2

Öz

Günümüzde Derin Öğrenme yöntemlerinin kullanımı her alanda artmıştır. Yapay Zekâ, bilgisayarın veya bilgisayar kontrolünde bir makinenın zeki canlılara benzer mekanizmalarla karar verme yeteneğine sahip olmasıdır. Kısaca Yapay Zekâ, bilgisayarın insanlar gibi düşünmesini sağlar. Derin Öğrenme bir veya daha fazla gizli katman içeren yapay sinir ağları ve benzeri makine öğrenme algoritmalarını kapsayan çalışma alanıdır. Yani en az bir adet yapay sinir ağının kullanıldığı ve birçok algoritma ile, bilgisayarın elindeki verilerden yeni veriler elde etmesidir. Derin Öğrenme alanında kullanılan birçok algoritma vardır. Bu algoritmalardan YOLO (You Only Look Once) algoritması ve Darknet modeli, yüksek işleme hızından dolayı yüksek FPS (Frame Per Second) sağlamakta ve daha net sonuçlar vermektedir. Bu sebeple bu çalışmada YOLO algoritması tercih edilmiştir. Algoritmanın 4 farklı versiyonu için denemeler yapılmış, sonuçlar karşılaştırılmış, tespit doğruluğu ve hız olarak en iyi sonuç Versiyon-4 algoritmasında sağlanmıştır. OpenCV, NumPy, SciPy gibi Python programlama dili kütüphaneleri kullanılarak tespit edilen deformelerin sayısı tespit edilmiş, tespit anları kayıt altına alınmış, bu algoritmaların test kontrol sistemi ile bilgi alışverişi sağlanarak test sisteminin durdurulması sağlanmıştır. Deformasyonlar için büyük bir veri seti oluşturulmuş ve oluşturulan bu veri seti 4 farklı algoritma versiyonlarıyla eğitim yapılmış ve uygulamaya geçilmiştir. Otomotiv yan sanayinde üretilen süspansiyon sistem bileşenlerin performansları dinamik testlerle test edilmektedir. Bu testlerde parçalar plastik deformasyona maruz kalana kadar ya da ani kırılma başlangıcı olan çatlak oluşumunda, test sisteminin durdurulması insan konrolünde yapılmaktadır. Ancak bu durumda, parçaların ilk deformasyon anı tespit edilememektedir ve aynı zamanda zaman kaybına yol açmaktadır. Bu çalışmada derin öğrenme algoritmalarından olan YOLO ile deformasyon ve çatlak oluşumu tespit edilmeye çalışılmıştır. Çalışmada ayrıca derin öğrenme, görüntü işleme ve Python kütüphanelerinin nesne tespitinde kullanımları ayrıntıyla incelenmiş, uygulama oluşturulmuş, Python programı ve Yapay Sinir Ağları kullanılarak sonuçların elde edilmesi sağlanmıştır.

Anahtar Kelimeler

Derin Öğrenme, YOLO, Görüntü İşleme, Süspansiyon Parçaları, Deformasyon.

Destekleyen Kurum

AYDINLAR YEDEK PARÇA SAN. TİC. A.Ş.

Proje Numarası

AYD0720-03

Teşekkür

Çalışmada desteklerinden dolayı danışman hocamız Sn. Prof. Dr. Mustafa ACARER'e , ve AR-GE müdürümüz Sn. Ahmet ÇAKAL'a teşekkür ederiz.

Crack Detection in Dynamic Test Drive Suspension Parts with Deep Learning Algortihm (YOLO)

Öz

Nowadays, the use of Deep Learning methods has increased in many areas. Artificial Intelligence, which includes deep learning, is the ability of a computer or a computer-controlled machine to make a decision similar to intelligent creatures. In short, Artificial Intelligence enables the computer to think like a human. Deep Learning is a field of study that includes neural networks with one or more hidden layers and similar machine learning algorithms. In other words, in deep learning, the computer uses at least one artificial neural network and obtains new data from the data it has with different algorithms. There are many algorithms used in the Deep Learning field. Among these algorithms, YOLO (You only look once) algorithm and Darknet model provide higher FPS (Frame Per second) due to high processing speed and give clearer results. For this reason, the YOLO algorithm has been preferred in the application. Trials have been made for 4 different versions of the algorithm, the results have been compared, the best result in terms of detection accuracy and speed has provided in the Version-4 algorithm. Using Python programming language libraries such as OpenCV, NumPy, and SciPy, the number of detected deformities were determined, their detection moments were recorded, and the test system was stopped by providing information exchange with the test control system of these algorithms. A large dataset has been created for deformations and this data set has been trained and implemented with 4 different algorithm versions. The performances of the suspension system components produced in automotive reflectivity are tested with dynamic tests. In these tests, the test system is stopped under human control until the parts are subjected to plastic deformation or in case of crack formation that is a sudden breakout. However, in this case, the first moment of deformation of the parts cannot be detected and at the same time causes a waste of time. In this study, the use of deep learning, image processing and Python libraries in object detection has been examined in detail, the application has been created, and the results have been obtained by using the Python program and Artificial Neural Networks.

Anahtar Kelimeler

Deep Learning, YOLO, Image Processing, Suspension Parts, Deformation

Proje Numarası

AYD0720-03

Kaynakça

• Available: www.arxiv.org/(2015). "abs/1512" [Accessed:2019].
• Girshick, R. (2015). Fast r-cnn. Proceedings of the IEEE international conference on computer vision.
• Girshick, R., J. Donahue, T. Darrell and J. Malik (2014). "Rich feature hierarchies for accurate object detection and semantic segmentation." 2014 Ieee Conference on Computer Vision and Pattern Recognition (Cvpr): 580-587.
• He, K., X. Zhang, S. Ren and J. Sun (2015). Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. Proceedings of the IEEE international conference on computer vision.
• He, K. M., X. Y. Zhang, S. Q. Ren and J. Sun (2016). "Deep Residual Learning for Image Recognition." 2016 Ieee Conference on Computer Vision and Pattern Recognition (Cpvr): 770-778.
• İNİK ve ÜLKER. /GBAD, 2017, 6(1), 85-104.
• Justin Johnson" from "CS231n Convolutional Neural Networks (2016).
• "Loss Function" from Available: https://pjreddie.com (2016), [Accessed:2019].
• Jonathan Hui from SSD object detection: Single Shot MultiBox Detector (2018).
• LeCun, Y. (1987). Modèles connexionistes de l’apprentissage, Université de Paris VI. 18, 504, 517.
• LeCun, Y., Y. Bengio and G. Hinton (2015). "Deep learning." Nature 521(7553): 436-444.
• Lecun, Y., L. Bottou, Y. Bengio and P. Haffner (1998). "Gradient-based learning applied to document recognition." Proceedings of the IEEE 86(11): 2278–2324.
• Szegedy, C., W. Liu, Y. Q. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke and A. Rabinovich (2015). "Going Deeper with Convolutions." 2015 Ieee Conference on Computer Vision and Pattern Recognition (Cvpr): 1-9
• Sik-Ho Tsang from YOLOv3 You Only Look Once (2019).
• WILDML."UNDERSTANDING CONVOLUTIONAL NEURAL NETWORKS FOR NLP."(2016).
• Zeiler, M. D. and R. Fergus (2014). "Visualizing and Understanding Convolutional Networks." Computer Vision - Eccv 2014, Pt I 8689: 818-833..