YOLO Algoritması ile Kalite Kontrol Süreçlerinde Görüntü İşleme

Abstract

Bu çalışma, çelik yüzeylerinde meydana gelen üretim kusurlarının tespiti için bilgisayarla görü ve derin öğrenme tekniklerinden faydalanarak bir kalite kontrol sistemi geliştirmeyi amaçlamaktadır. Literatürde yapılan incelemeler, YOLO algoritmasının farklı sürümlerinin çeşitli üretim hatlarında başarıyla uygulandığını göstermektedir. Bu kapsamda, Roboflow platformundan elde edilen ve etiketlenmiş görüntüler içeren bir veri kümesi kullanılarak YOLOv5 algoritması ile bir nesne tespiti modeli eğitilmiştir. Eğitim süreci boyunca elde edilen başarı metrikleri, modelin yüzey kusurlarını yüksek doğrulukla tespit edebildiğini göstermiştir. Ayrıca, elde edilen görsel çıktı ve grafikler modelin eğitim kalitesini ve başarımını desteklemektedir. Çalışma sonucunda geliştirilen modelin üretim hatlarında manuel kontrolün yerine geçebilecek düzeyde etkin olduğu ve kalite kontrol süreçlerine önemli katkılar sunabileceği görülmüştür.

In this study, a deep learning approach is proposed to identify surface defects on steel products through computer vision. The object detection model was built using the YOLOv5 framework, trained on a publicly available labeled dataset. Throughout the training phase, the model successfully learned to recognize multiple types of surface anomalies. Evaluation results showed promising detection accuracy and stability. Based on these outcomes, the system has the potential to improve quality control in industrial settings by reducing reliance on manual inspection and enabling faster, automated analysis.