The safety and durability of vehicle tires is an important variable in terms of driving safety and cost effectiveness. Different methods such as visual inspection, tire air pressure control, pattern depth measurements, rotation and balancing can be used to evaluate these factors. In this study, different machine learning algorithms such as ResNET50, DenseNET121, AlexNET, CNN, which are image-based, are used to analyse the images of the tire surface to determine the surface wear of the vehicle tires and to perform robustness classification. For the training of the models, 1447 vehicle tire surface images of different categories (very good, good, bad, very bad) were used. The dataset containing the images belongs to the authors of this study and is unique. In the future, it is aimed to make the dataset available for copyrighted use on an open platform. The results obtained from the trained models are compared. The CNN algorithm, which showed the most successful results, was selected as the final algorithm. In conclusion, this paper represents an important step towards solving safety and efficiency issues in the automotive industry by introducing a machine learning approach to detect surface wear and robustness classification of vehicle tires. This technology has the potential to optimize tire management and maintenance.
Araç lastiklerinin güvenliği ve dayanıklılığı, sürüş güvenliği ve maliyet etkinliği açısından önemli bir değişkendir. Bu faktörleri değerlendirmek için görsel inceleme, lastik hava basıncı kontrolü, desen derinliği ölçümleri, rotasyon ve balans ayarı gibi farklı yöntemler kullanılabilmektedir. Bu çalışmada, araç lastiklerinin yüzey aşınmasını belirlemek için lastik yüzeyine ait görüntüleri analiz etmek ve sağlamlık sınıflandırması yapmak için görüntü tabanlı olan ResNET50, DenseNET121, AlexNET, CNN gibi farklı makine öğrenmesi algoritmaları kullanılmıştır. Modellerin eğitimi için farklı kategorilerde (çok iyi, iyi, kötü, çok kötü) 1447 araç lastik yüzey görüntüsü kullanılmıştır. Görüntüleri içeren veri kümesi bu çalışmanın yazarlarına aittir ve özgündür. Gelecekte veri setinin açık bir platformda telifli olarak kullanıma sunulması hedeflenmektedir. Eğitilen modellerden elde edilen sonuçlar karşılaştırılmıştır. En başarılı sonuçları gösteren CNN algoritması nihai algoritma olarak seçilmiştir. Sonuç olarak, bu makale, araç lastiklerinin yüzey aşınmasını ve sağlamlık sınıflandırmasını tespit etmek için bir makine öğrenimi yaklaşımı sunarak otomotiv endüstrisindeki güvenlik ve verimlilik sorunlarını çözmeye yönelik önemli bir adımı temsil etmektedir. Bu teknoloji, lastik yönetimi ve bakımını optimize etme potansiyeline sahiptir.
Primary Language | English |
---|---|
Subjects | Computer Software |
Journal Section | Research Articles |
Authors | |
Publication Date | December 31, 2023 |
Submission Date | November 17, 2023 |
Acceptance Date | November 29, 2023 |
Published in Issue | Year 2023 Volume: 9 Issue: 4 |