Tekstil Üretim Hatlarında Kumaş Hata Tespiti İçin Derin Öğrenme Mimarilerinin Karşılaştırılması ve Yeni Bir Görüntü Veri Seti

Tekstil endüstrisinde kalite kontrol süreçleri büyük ölçüde insan denetimine dayanmaktadır ve bu durum yüksek maliyet, düşük hız ve insan kaynaklı hata riski gibi önemli sınırlamalar doğurmaktadır. Özellikle milimetrik boyuttaki kumaş kusurlarının manuel olarak tespit edilmesi zor olup, hatalı ürünlerin üretim hattından geçmesine neden olabilmektedir. Bu çalışmada, tekstil üretim hatlarından elde edilen kumaş görüntülerinin hatalı veya hatasız olarak ayrılmasını amaçlayan, görüntü düzeyinde ikili sınıflandırmaya dayalı otomatik bir kumaş kusur değerlendirme sistemi geliştirilmiştir. Çalışma kapsamında 512×512 çözünürlüğünde 2915 görüntüden oluşan yeni bir veri seti oluşturulmuştur. Veri setinin %20'si bağımsız test kümesi olarak ayrılmış, kalan %80'lik geliştirme kümesinin %10'u doğrulama amacıyla kullanılmıştır. Özgün CNN, VGG16, ResNet50, InceptionV3 ve MobileNetV2 olmak üzere beş farklı derin öğrenme mimarisi karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, MobileNetV2 modelinin mevcut sabit veri bölünmesinde %99,31 doğruluk, %99,32 kesinlik, %99,31 duyarlılık ve %99,31 F1-skor ile sayısal olarak en yüksek performans değerlerini elde ettiğini göstermiştir. Ayrıca MobileNetV2’nin düşük parametreli ve hesaplama açısından hafif mimarisi, gerçek zamanlı endüstriyel uygulamalar açısından potansiyel bir avantaj sunmaktadır. Bununla birlikte, gerçek zamanlı çalışma performansı bu çalışmada donanıma özgü FPS veya gecikme ölçümleriyle doğrulanmamıştır. Elde edilen bulgular, hafif ve optimize edilmiş derin öğrenme mimarilerinin tekstil sektöründe performans ve karmaşıklık dengesini başarıyla sağlayabileceğini ortaya koymaktadır.