Bu çalışma, YOLOv7 modelinin, özel olarak hazırlanmış Cıvata ve Somun Veri Seti ile eğitildiğinde gösterdiği performansı değerlendirmektedir. Çalışmanın temel amacı, modelin üretim ve kalite kontrolündeki çeşitli otomasyon süreçleri için kritik olan endüstriyel bileşenlerin tespiti ve sayımındaki doğruluk ve verimliliğini değerlendirmektir. Veri seti, özellikle somun ve cıvata olmak üzere iki sınıfa ayrılmış 7.200 eğitim görüntüsü ve 1.800 doğrulama görüntüsünden oluşmaktadır. Bulgular, YOLOv7'nin karmaşık ve yoğun sahnelerde bile nesneleri etkili bir şekilde tespit edip sayarak yüksek hassasiyet ve doğruluk oranları sergilediğini göstermektedir. Sonuçlar, modelin dayanıklılığını ve daha da geliştirilme potansiyelini vurgulamakta olup, endüstriyel uygulamalar için uygun bir aday olduğunu ortaya koymaktadır. Bu çalışma, derin öğrenme modellerinin endüstriyel otomasyonda uygulanmasına yönelik artan araştırma literatürüne katkıda bulunarak, YOLOv7'nin gerçek dünya senaryolarında pratik kullanımını ve uyarlanabilirliğini vurgulamaktadır.
Eser Adı (dc.title) | Görüntü İşleme Tabanlı Üretim Bandından Akan Ürün Tespiti Sayımı ve Takibi |
Eser Sahibi (dc.contributor.author) | Fatih BABAGİRAY FEM |
Yayıncı (dc.publisher) | İzmir Katip Çelebi Üniversitesi Fen Bilimleri Enstitüsü |
Esere Katkı Sağlayan (dc.contributor.other) | Femin Yalçın Küçükbayrak |
Tür (dc.type) | Diğer |
Açıklama (dc.description) | Tezsiz Yüksek Lisans Bitirme Projesi |
Özet (dc.description.abstract) | Bu çalışma, YOLOv7 modelinin, özel olarak hazırlanmış Cıvata ve Somun Veri Seti ile eğitildiğinde gösterdiği performansı değerlendirmektedir. Çalışmanın temel amacı, modelin üretim ve kalite kontrolündeki çeşitli otomasyon süreçleri için kritik olan endüstriyel bileşenlerin tespiti ve sayımındaki doğruluk ve verimliliğini değerlendirmektir. Veri seti, özellikle somun ve cıvata olmak üzere iki sınıfa ayrılmış 7.200 eğitim görüntüsü ve 1.800 doğrulama görüntüsünden oluşmaktadır. Bulgular, YOLOv7'nin karmaşık ve yoğun sahnelerde bile nesneleri etkili bir şekilde tespit edip sayarak yüksek hassasiyet ve doğruluk oranları sergilediğini göstermektedir. Sonuçlar, modelin dayanıklılığını ve daha da geliştirilme potansiyelini vurgulamakta olup, endüstriyel uygulamalar için uygun bir aday olduğunu ortaya koymaktadır. Bu çalışma, derin öğrenme modellerinin endüstriyel otomasyonda uygulanmasına yönelik artan araştırma literatürüne katkıda bulunarak, YOLOv7'nin gerçek dünya senaryolarında pratik kullanımını ve uyarlanabilirliğini vurgulamaktadır. |
Kayıt Giriş Tarihi (dc.date.accessioned) | 2024-07-04 |
Açık Erişim Tarihi (dc.date.available) | 2024-07-04 |
Yayın Tarihi (dc.date.issued) | 2024 |
Tek Biçim Adres (dc.identifier.uri) | https://hdl.handle.net/11469/4100 |
Yayın Dili (dc.language.iso) | tr |
Konu Başlıkları (dc.subject) | Derin öğrenme |
Konu Başlıkları (dc.subject) | Nesne Tespiti |
Haklar (dc.rights) | Open access |