YOLOv8 nesne tespit modeli ile plastik parça yüzey kusurlarının gerçek zamanlı tespit edilmesi ; Real-time detection of plastic part surface defects withYOLOv8 object detection model

Lisansüstü Eğitim Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı, Endüstri Mühendisliği Bilim Dalı ; Üretim sürecinde ürünlerdeki kusurların tespit edilmesi önemli bir konudur. Tespit edilemeyen kusurlu parçaların müşterilere ulaşması firma için iyi bir izlenim oluşturmayacağından dolayı kusurların doğru bir şekilde tespit edilmesi önem arz etmektedir. Çoğu firmanın bu iş için insan gücünden yararlanması pek çok sorunu da beraberinde getirmektedir. İnsan görüşüyle hızlı ve doğru tespitin mümkün olmaması nedeniyle birçok hatalı parçanın üretilmesi ve sonrasında müşteriye gönderilmesi maliyete ve zaman kaybına neden olduğundan kusur tespitinin otomatik hale getirilmesi gerekmektedir. Kusurların tespit edilmesi her sektör için çok önemlidir ancak otomotiv sektöründe üretilen parçalarda görülen kusurların tespit edilmesi özellikle büyük bir önem taşımaktadır. Bu kusurlardan biri olan araç içi parçaların yüzeylerinde görülen kusurlar müşteri memnuniyetini büyük ölçüde etkilediğinden dolayı üretim sırasında dikkatli olunması gerekmektedir. Bu çalışmada, otomotiv yan sanayi sektöründe faaliyet gösteren bir firmada üretilen plastik parçalardaki kusurların YOLOv8 nesne tespit modeli kullanılarak tespiti amaçlanmıştır. Çalışma toplamda üç aşamadan oluşmaktadır. İlk aşamada firmadaki plastik parçalarda görülen kusur tipleri pareto analizi yardımıyla değerlendirilmiş ve en çok görülen kusur tipleri olarak çizik, leke ve parlama seçilmiştir. Daha sonra belirlenen üç kusur tipi için veriler toplanmış ve ön işlemeye tabi tutulmuştur. İkinci aşamada kusurlu parça görüntüleri kullanılarak YOLOv8 modellerinin eğitimi yapılmıştır. Eğitim sonucunda en yüksek mAP değeri 0,990 ile YOLOv8s modelinde, en kısa eğitim süresi ise YOLOv8n modelinde elde edilmiştir. En yüksek mAP değerini veren YOLOv8s modelinde parti boyutu (8, 16 ve 32) ve öğrenme oranı (0,005, 0,01 ve 0,02 ) üzerinden hiper parametre ayarı yapılmıştır ve en iyi çıktıyı veren değerler ile test aşamasına geçilmiştir. Parti boyutu 16 ve öğrenme oranı 0,01 hiperparametre ...