Browsing by Author "Atasoy, Işıl"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Makine öğrenimi teknikleri ile mekanik parçaların 3 boyutlu tasarımlarının sınıflandırılması
    (Başkent Üniversitesi Fen Bilimleri Enstitüsü, 2024) Atasoy, Işıl
    Makine öğrenmesi teknikleri kullanılarak geliştirilen veri işleme uygulamaları son yıllarda oldukça büyük bir hız ile gelişme kat etmekte ve farklı alanlarda birçok probleme çözümler sunmaktadır. Yazılım destekli çözümleri kullanan tüm sektörlerden alınan veriler incelendiğinde sonuç olarak verimliliklerin arttığı, insan kaynaklı hataların ve gecikmelerin önüne geçildiği gözlemlenmiştir. Bu çalışmada üretim ve tasarım endüstrisinde kullanılan standart mekanik parçaların derin öğrenme algoritmaları kullanılarak sınıflandırılması amaçlanmaktadır. Buna ek olarak, çalışmada kullanılan modellerin performansları karşılaştırılacaktır. Çalışma kapsamında iki aşamalı bir deney kurulmuştur. Deneyin aşamaları birbirinden bağımsız olup, sonuçları da bağımsız olarak değerlendirilmiştir. İlk aşamada cıvata, pim, somun, rondela mekanik parçalarının dijital tasarımlarından oluşan hazır bir veri seti kullanılmıştır. Bu veri seti her parçadan eşit sayıda 224x224x3 boyutlarında görseller içerecek şekilde toplamda 7616 adet örneklemden oluşmaktadır. İkinci aşamada ise aynı tasarım görsellerine ek olarak mekanik parçaların gerçek fotoğrafları da eklenip toplamda 1600 adet örnekten oluşan yeni bir veri seti oluşturulmuştur. Daha sonra deneyin her iki adımında da parçaların tanınma problemine çözüm bulmak için AlexNet, VGG, DenseNet, ResNet ve Xception sınıflandırma modelleri tercih edilerek, sonuçlar kaydedilmiştir. İlk adımda modeller sırasıyla ortalama 0.25, 0.25, 0.60, 0.69 ve 0.75 doğruluk oranları sunmuştur. İkinci adımda ise sırasıyla ortalama 0.27, 0.25, 0.65, 0.85 ve 0.96 doğrulukla başarı elde etmişlerdir. Çalışmanın sonuçlarında modellerin performans karşılaştırmaları belirtilmiştir. Machine learning techniques and data processing applications have been developing rapidly in recent years and offer solutions to many problems in different fields. Efficiency has increased in all sectors using software-supported solutions, and human errors and delays have been prevented. This study aims to classify standard mechanical parts used in the production and design industry using deep learning algorithms. In addition, the performances of the models used in the study will be compared. A two-stage experiment was established within the scope of the study. The stages of the experiment were independent from each other and the results were evaluated independently. In the first stage, a ready-made data set consisting of digital designs of mechanical parts of bolts, pins, nuts and washers was used. This data set consists of 7616 samples in total, including an equal number of 224x224x3 images from each piece. In the second stage, in addition to the same design visuals, real photographs of mechanical parts were added and a new data set consisting of 1600 samples in total was created. Then, in both steps of the experiment, AlexNet, VGG, EfficientNet, ResNet and Xception classification models were preferred to find a solution to the problem of recognition of parts, and the results were recorded. Then, in both steps, AlexNet, VGG, EfficientNet, ResNet and Xception models were preferred to list the broken ones and the results were generated. Initial replacement models offered average accuracy rates of 0.25, 0.25, 0.60, 0.69 and 0.75, respectively. Secondary renewal was successful with an average accuracy of 0.27, 0.25, 0.65, 0.85 and 0.96, respectively. The results of the study are stated in the comparison performances of the models.