Son zamanlarda bilgisayar yazılım ve donanım teknolojisindeki gelişmelerle birlikte nesnelerin interneti, nesne sınıflandırma, nesne tespiti ve örüntü tanıma gibi kavramlar günümüzde oldukça yaygınlaşmıştır. Bu kavramlarla geliştirilen sistemler tıp, kimya, mühendislik, tarım, güvenlik sistemleri ve coğrafi bilimleri gibi birçok alanda yenilik ve kolaylık sağlamıştır. Özellikle derin öğrenme tabanlı sistemler, birçok alanda yüksek performanslar sağlamıştır. Bu tez çalışmasında, güncel derin öğrenme sistemlerini imalat sistemlerinde uyarlamak ve imalat sistemlerinde otomatik doku hata tespiti için yeni yaklaşımlarının geliştirilmesine odaklanılmıştır. Genellikle, imalat sistemlerinde yüzey/doku hata tespiti, uzman personel tarafından manuel olarak yapılmaktadır. Manuel yapılan denetimlerin zaman ve doğruluk açısından olumsuz yönleri vardır. Bunun yanı sıra uzman personel gereksiniminden dolayı maliyetlidir. Buna kıyasla, yapay zekâ destekli otomatik hata tespit sistemleri performans ve güvenirlik açısından daha başarılı sonuçlar üretebilmektedir. Bu başarılı sonuçlar sayesinde manuel denetimlerden kaynaklanan maddi kayıplar önlenebilmekte ve üretim alanında güçlü kazançlar sağlanabilmektedir. Bu bağlamda bu tez çalışmasında otomatik hata tespiti için derin öğrenme tabanlı etkili ve yeni modeller önerilmiştir. Bu modeller aşağıda sıralanmıştır: • Hata tespiti için zenginleştirilmiş öznitelik piramit ağ mimarisi, • Önemli özellikleri güçlendirmek için Derinlemesine Sıkma ve Uyarlama Bloğu (DSUB) ve DSUB tabanlı Efficient-Unet mimarisi, • Derin öğrenmede çok boyutlu mekânsal, spektral ve anlamsal öznitelikler çıkarmak için yeni bir yaklaşım, • Son zamanlarda oldukça popüler olan görüntü tabanlı dönüştürücüleri yüzey hata tespitine uyarlamak için geliştirilen Melez Dikkat Kapısı, • Swin dönüştürücü tabanlı yeni bir kodlayıcı ve kod çözücü ağ mimarisi, • Kumaş hatalarının sınıflandırılması için Derin Sinir Ağına, Çoklu Havuzlama ve Filtrelemeye dayalı yeni bir yaklaşım Önerilen bu özgün yöntemlerin başarısını analiz etmek için literatürde var olan ve güncel veri kümleri kullanılmıştır. Deneysel çalışmalarda, önerilen yöntemler güncel modeller ile karşılaştırılmıştır. Yapılan kapsamlı deneysel çalışmalardaki sonuçlara göre, hata tespiti için geliştirilen yöntemlerin etkili olduğu gözlemlenmiştir.
Recently, concepts such as internet of things, object classification, object detection, and pattern recognition have become quite common today with the developments in computer software and hardware technology. Systems developed with these concepts have provided innovation and convenience in many fields such as medicine, chemistry, engineering, agriculture, security systems, and geographical sciences. Especially deep learning-based systems have provided high performances in many areas. This thesis focuses on adapting existing deep learning systems to manufacturing systems and developing new approaches for automatic texture defect detection in manufacturing systems. Generally, surface/texture defect detection in manufacturing systems is performed manually by expert personnel. Manual inspections have downsides in terms of time and accuracy. In addition, it is costly due to the need for expert personnel. In comparison, automatic defect detection systems supported by artificial intelligence can produce more successful results in terms of performance and reliability. Thanks to these successful results, financial losses caused by manual management can be prevented and strong profits can be achieved in the field of production. In this context, new and effective models based on deep learning have been proposed for automatic texture defect detection in this thesis. These models are listed below: • Feature-enriched pyramid network architecture for defect detection, • Depth-wise Squeeze and Excitation Block (DSEB) to strengthen important features and DSEB-based Efficient-Unet architecture, • A new approach to extracting multidimensional spatial, spectral, and semantic features in deep learning, • Hybrid Attention Gate which developed to adapt the recently very popular Vision Transformer to surface defect detection. • A new encoder and decoder network architecture based on Swin Transformer, • A new approach based on Deep Neural networks, Multiple Pooling, and Filtering for the classification of fabric defects Existing and current datasets in the literature were used to analyze the success of these proposed original methods. In experimental studies, the proposed methods were compared with current models. According to the results of extensive experimental studies, it has been observed that the methods developed for defect detection are effective.
