Üretim hattında derin öğrenme: verimli ve hızlı kusur tespiti için yeni bir hafif CNN modeli yaklaşımı

Year 2025, Volume: 14 Issue: 2, 649 - 658, 15.04.2025

Hakan Tatar , Muhammed Furkan Küçük

https://doi.org/10.28948/ngumuh.1641247

Abstract

Bu makale, bir fabrikadaki üretim süreçlerinde ortaya çıkan kusurların tespiti için burada ilk kez sunulan benzersiz bir veri kümesi kullanılarak geliştirilen, optimize edilmiş hafif bir CNN modelini tanıtmaktadır. Model performansı, VGG16 ve ResNet50 gibi yaygın kullanılan büyük ölçekli derin öğrenme mimarileriyle karşılaştırmalı olarak analiz edilmiştir. Tüm modeller, aynı özgün veri kümesi üzerinde, öğrenme oranı, optimizasyon algoritması ve veri artırma stratejileri gibi sabit hiperparametrelerle eğitilmiştir. Performans analizleri doğruluk, kesinlik ve F1 skoru gibi temel metriklerin yanı sıra, karmaşıklık matrisleri ve rastgele test görüntüleri üzerinden gerçekleştirilmiştir. Önerdiğimiz model, geleneksel mimarilere kıyasla daha düşük hesaplama maliyeti ve çok daha kısa eğitim süresi ile yüksek doğruluk elde etmiştir. Elde edilen sonuçlar, önerilen CNN modelinin büyük ölçekli derin öğrenme modelleriyle rekabet edebilecek düzeyde doğruluk sunarken, düşük güçlü donanıma sahip sistemler için daha uygun bir alternatif olduğunu göstermektedir.

Keywords

CNN, Hata Tespiti, Güneş Paneli, Baypas Diyotu, Sınıflandırma Metotları

Deep learning on the production line: A novel lightweight CNN model approach for efficient and fast defect detection

Abstract

This paper presents an optimized lightweight CNN model developed using a unique dataset introduced here for the first time to detect defects in manufacturing processes in a factory. The model performance was analyzed comparatively with widely used large-scale deep learning architectures such as VGG16 and ResNet50. All models were trained on the same original dataset, followed by the same approach in tuning hyperparameters such as learning rate, optimization algorithm, and data augmentation strategies. Performance analyses were conducted using fundamental metrics such as accuracy, precision, and F1 score, along with confusion matrices and randomly selected test images. Our proposed model attained high accuracy while reducing computational cost and significantly shortening training time compared to traditional architectures. The results demonstrate that the proposed CNN model achieves a competitive level of accuracy comparable to large-scale deep learning models while serving as a more suitable alternative for low-power hardware systems.

Keywords

CNN, Fault Detection, Solar Panel, By-Pass Diode, Classification Methods

Thanks

This paper is produced from the part of Hakan TATAR’s Master Thesis. In addition, we would like to express our sincere gratitude to all the management of Hatko - Hatsun Elazig PV-JB Production Factory for their valuable assistance in providing the necessary facilities and permissions to create the dataset used in this study.

References

• I. D. Apostolopoulos and M. Tzani, Industrial object, machine part and defect recognition towards fully automated industrial monitoring employing deep learning. The case of multilevel VGG19, arXiv preprint arXiv:2011.11305, 2020. https://doi.org/10.4 8550/arXiv.2011.11305
• D. Ever and E. N. Demircioğlu, Yapay zekâ teknolojilerinin kalite maliyetleri üzerine etkisi, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 31 (1), 59-72, 2022. https://doi.org/10.3 5379/cusosbil.1023004
• E. Oğuzay and M. Balta, Rulman titreşim verilerinden derin öğrenme tabanlı arıza tespiti, Karadeniz Fen Bilimleri Dergisi, 14 (3), 1159-1175, 2024. https://doi.org/10.31466/kfbd.1434595
• E. Akın and M. E. Şahin, Derin öğrenme ve yapay sinir ağı modelleri üzerine bir inceleme, EMO Bilimsel Dergi, 14 (1), 27-38, 2024.
• B. Elmas and H. Korkmaz, Derin öğrenme ile soket kablo sıralama hata tespiti, Politeknik Dergisi, 1–1, 2025. (Early Access). https://doi.org/10.2339/politek nik.1500454
• F. G. Tan, A. S. Yüksel, E. Aydemir, and M. Ersoy, Derin öğrenme teknikleri ile nesne tespiti ve takibi üzerine bir inceleme, Avrupa Bilim Ve Teknoloji Dergisi, 25, 159-171, 2021. https://doi.org/10.31590/e josat.878552
• B. Yıldırım and G. Cagıl, Bir Montaj Parçasının Derin Öğrenme ve Görüntü İşleme ile Tespiti, Journal of Intelligent Systems: Theory and Applications, 3 (2), 31-37, 2020. https://doi.org/10.38016/jista.710144
• X. Lei and Z. Sui, Intelligent fault detection of high voltage line based on the Faster R-CNN, Measurement, 138, 379-385, 2019. https://doi.org/10 .1016/j.measurement.2019.01.072
• X. Cheng and J. Yu, RetinaNet With Difference Channel Attention and Adaptively Spatial Feature Fusion for Steel Surface Defect Detection, IEEE Transactions on Instrumentation and Measurement, 70, 1-11, 2021. https://doi.org/10.1109/TIM.2020.3 040485.
• Y. He, K. Song, Q. Meng, and Y. Yan, An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features, IEEE Transactions on Instrumentation and Measurement, 69 (4), 1493-1504, 2020. https://doi.org/10.1109/TIM.2019.2915404
• H. Özcan, H. T. Gençtürk, G. Genç, T. E. Yıldırım, F. Durmuş, and A. Gürleyen, Gerçek zamanlı kusur tespiti: LPG tüplerinin yüzeylerinde kirlilikleri tanımlama için görüntü işleme ve makine öğrenimi teknikleri ile yenilikçi bir yaklaşım, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 24 (2), 330-340, 2024. https://doi.org/10.35414/akufe mubid.1364153
• M. Ozan and M. Ceylan, Endüstriyel Üretim Tesislerinde Yumurtaların Görsel Analizi Ve Sınıflandırılması İçin Raspberry Pi Tabanlı Gerçek Zamanlı Bir Uygulama, SETSCI Conference Proceedings, 3, pp. 727-731, Samsun, Turkey, 2018.
• M. Buda, A. Maki, and M. A. Mazurowski, A systematic study of the class imbalance problem in convolutional neural networks, Neural Networks, 106, 249-259, 2018. https://doi.org/10.1016/j.neunet.2018. 07.011
• R. van den Goorbergh, M. van Smeden, D. Timmerman, and B. Van Calster, The harm of class imbalance corrections for risk prediction models: illustration and simulation using logistic regression, Journal of the American Medical Informatics Association, 29 (9), 1525-1534, 2022. https://doi.org/ 10.1093/jamia/ocac093
• A. Şeker, B. Diri, and H. H. Balık, A Review about deep learning methods and applications, Gazi Journal of Engineering Sciences, 3 (3), 47-64, 2017.
• S. Oyucu and M. S. Herdem, Hibrit derin öğrenme algoritmaları kullanılarak biyogaz reform süreçlerinin optimizasyonu: cnn-lstm modeli ile çıktı parametrelerinin tahmini, Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 11 (23), 301-316, 2024. https://doi.org/10.54365/adyumbd.1488710
• K. He, X. Zhang, S. Ren, and J. Sun, Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, pp. 770-778, 2016. https://doi.org/10.1109/CVPR.2016.90.
• K. Simonyan and A. Zisserman, Very Deep Convolutional Networks for Large-Scale Image Recognition, arXiv preprint arXiv:1409.1556, 2015. https://doi.org/10.48550/arXiv.1409.1556