Treyler Üretiminde "Sıfır Hata" Vizyonu: Derin Öğrenme Toplulukları ile Akıllı Ahşap Hammadde Denetimi

Abstract

Günümüz otomotiv sektöründe araç taban döşemesi olarak kullanılan ahşap panellerin yapısal bütünlüğünün korunması ve kalite sınıflandırması, manuel denetim süreçlerinin subjektif doğası ve yüksek hata payı nedeniyle endüstriyel bir zorluk teşkil etmektedir. Bu araştırmanın temel amacı, derin evrişimli sinir ağları ve topluluk öğrenmesi tekniklerini sinerjik bir şekilde birleştirerek; ahşap yüzeyindeki budak, çatlak ve doku düzensizliklerini A Kalite, B Kalite, C Kalite ve Hurda olarak yüksek hassasiyetle kategorize eden otomatik bir dijital çerçeve geliştirmektir. Araştırma metodolojisi kapsamında, 1024x1024 çözünürlükte standardize edilmiş görsel veriler ve bunlarla eşleşen 40.000 sayısal ölçümü içeren özgün bir veri seti kullanılmıştır. Çalışmada; özel tasarlanmış bir CNN mimarisi, CNN+SVM hibrit yapısı ve transfer öğrenme tabanlı ResNet50 modelleri 5 ile 50 döngü arasında eğitilerek performansları 5-katlı çapraz doğrulama stratejisiyle analiz edilmiştir. Bireysel modellerin zayıf yönlerini telafi etmek amacıyla Sert ve Yumuşak Oylama gibi topluluk öğrenmesi stratejileri uygulanmıştır. Deneysel sonuçlar, ResNet50 mimarisinin %99,0 doğrulukla en sağlam tekil model olduğunu, ancak en yüksek başarının %99,38 doğruluk ve 0,9937 F1-skoru ile Ağırlıklı Yumuşak Oylama (Weighted Soft Voting) yöntemiyle elde edildiğini ortaya koymuştur. Elde edilen 0,998’lik ROC-AUC değeri, sistemin endüstriyel sınıflandırma eşiklerinden bağımsız olarak mükemmel bir ayırt edicilik sergilediğini kanıtlamaktadır. Sonuç olarak, önerilen bu model insan yorgunluğundan kaynaklanan hataları ortadan kaldırarak hammadde israfını azaltmakta ve otomotiv üretim hatlarında dijital dönüşüm için ölçeklenebilir, bilimsel olarak doğrulanmış bir çözüm sunmaktadır.