Comparison Analysis of Machine Learning Algorithms for Steel Plate Fault Detection

Authors : Beyda TAŞAR

Pages : 1578-1588

Doi:10.29130/dubited.1058467

View : 15 | Download : 7

Publication Date : 2022-07-31

Article Type : Research Paper

Abstract :Metaller, modern zamanların en önemli yapı malzemelerinden biridir. Özellikle yassı metal sacın üretim ve işleme süreci oldukça hassastır. Üretim sürecinin kontrolü sadece ara ürünlerin değil, aynı zamanda son ürünlerinde kalitesini etkiler. Çelik levha yüzeylerinde oluşan hataların erken tespiti, endüstriyel üretimde önemli bir görevdir. Geleneksel olarak süreç kontrolü ve hata tespiti uzman kişiler tarafından manuel olarak yapılmaktadır. Ancak bu yöntem hem zaman hem de maliyet açısından uygun değildir. Sanayi devrimi IR 4.0 ile ürünlerde hata tespit problemlerini çözmek için makine öğrenimi (ML) teknikleri geliştirilmiştir. Bu çalışma, çelik yüzeyde üretim esnasında oluşabilecek altı farklı hata sınıfının tespiti için temel makine öğrenme yöntemleri geliştirmeye odaklanmıştır. Sınıflandırma problemi için beş standart ML modeli: LD, KNN, DT, SVM, RF ve bir derin öğrenme (DNN) modeli: tek boyutlu DNN geliştirilmiştir. Deneysel veri seti olarak UCI çelik plaka deformasyon veri seti kullanılmıştır. Yöntemlerin başarısını tespit etmek için beş performans kriteri: Doğruluk, Duyarlılık, Özgüllük, Kesinlik, F1 değeri kullanılmıştır. LD, KNN, DT, SVM, RF ve DNN sınıflandırma yöntemlerinin başarı oranları sırasıyla 90.136%, 91.780%, 93.013%, 93.287%, 95.479%, 96.986% olarak elde edilmiştir. Sonuçlar, makina öğrenmesi yaklaşımının çelik levha arıza teşhis problemindeki önemli etkisini gösterilmiştir.
Keywords : Çelik Levha Arızası, Arıza Tespiti, Makine Öğrenimi