Akademik Veri Yönetim Sistemi
Yüksek A. G. (Yürütücü), Şeker A.
Yükseköğretim Kurumları Destekli Proje, 2015 - 2016
Kumaş hatası tespiti tekstil endüstrisi alanında kalite aşamalarında kritik önem arz etmektedir. Hataların tespitinde, gelişen pazar hacmi ve üretim kapasitelerinin büyüklüğü sebebiyle insan görüsü ile tespit, büyük oranda zaman kaybına ve hata tespit oranının %60 seviyelerine kadar düşmesine sebep olmaktadır. Bundan dolayı hata tespitinde otomatik sistemler geliştirilmeye başlanmıştır. Bu bağlamda daha yüksek başarım elde edebilmek için görüntü işleme alanında birçok yöntem denenmiştir.
Kumaşın kendine has bir dokusunun olması sebebiyle, öznitelikleri çıkarılırken diğer görüntü türlerinden ayrı olarak incelenmesi gerektirmektedir. Öznitelikler bilgisayarlı görmede özellikle sınıflandırma problemlerinde ham madde olmaktadır. Bu yüzden doğru öznitelikleri çıkarmak, hata tespitinde en önemli aşamadır. Bu amaç doğrultusunda, çoklu-katman mimarisi ve kendi özniteliklerini çıkararak son yıllarda görüntü ve ses işleme alanında büyük başarılar getirmesi ile öne çıkan derin öğrenme kumaş hatası tespitine uygulanmıştır. Giriş verisini sıkıştırma ya da genişletme ile temsil eden (stacked autoencoder) yığınlı oto kodlayıcılar -bir derin öğrenme yöntemi- kumaş hatası tespitinde denenmiş ve kabul edilebilir başarılar elde edilmiştir. Çalışmanın asıl amacı oto kodlayıcının hiper parametreleri ve giriş değeri ile oynamalar yaparak öznitelik çıkarımı başarısını artırmaktır.