INSPECTION OF DEFECTIVE PRODUCTS IN THE INDUSTRY WITH IMAGE PROCESSING BASED ON DEEP LEARNING METHODS

Aim: This paper studies to detect the undetectable defects in casting such as air holes, pinholes, burrs, tensile defects, mold material defects, metal casting defects, metallurgical defects, and etc. Through images via deep learning methods. Method: In the study, an automatic reading review for submersible pump impeller is proposed and a deep learning model is developed. The data set of the images include defective and smooth submersible pump impeller has been utilized to prove the performance of the designed network architecture. Results: According to the obtained results, maximum accuracy of 89% for the classifier has been achieved in the training stage and it reached a maximum accuracy of 93% in the testing stage. Conclusion: Along with the developing systems, quality control systems have been evolved through image processing. Thanks to the image processing-based control systems, the capacity and efficiency of the production facilities can be increased and perfect products can be delivered to the end-user by making precise measurements. In this study, since casting is an important and frequently used process in the industry, its defects are evaluated and a deep learning model to automate the review process and detect the defective products of submersible pump impellers is presented. The success rate of 89% obtained show that the defective product inspection in the industry can be performed over the images by using a convolutional neural network (CNN) architecture.

Keywords: Convolutional Neural Network, Image Processing, Faulty Product

Doi:10.17366/uhmfd.2021.15.1

Amaç: Bu çalışmada, dökümde tespit edilemeyen hava delikleri, iğne delikleri, çapaklar, çekme kusurları, kalıp malzeme kusurları, metal döküm kusurları, metalurjik kusurlar vb. kusurların derin öğrenme yöntemleri ile görüntüler aracılığıyla tespit edilmeye çalışılmaktadır. Yöntem: Çalışmada dalgıç pompa çarkı için otomatik inceleme önerilmiş ve bir derin öğrenme modeli geliştirilmiştir. Kullanılan veri seti, tasarlanan ağ mimarisinin performansının kanıtlanabilmesi için kusurlu ve kusursuz dalgıç pompa çarkı görüntülerini içermektedir. Bulgular: Elde edilen sonuçlara göre, sınıflandırıcı için eğitim aşamasında %89 maksimum doğruluk elde edilirken, test aşamasında maksimum %93 doğruluk oranına ulaşılmıştır. Sonuç: Gelişen sistemlerle birlikte görüntü işleme yoluyla kalite kontrol sistemleri önem kazanmaktadır. Görüntü işleme tabanlı kontrol sistemleri sayesinde üretim tesislerinin kapasitesi ve verimliliği artırılabilmekte ve hassas ölçümler yapılarak kusursuz ürünler son kullanıcıya ulaştırılabilmektedir. Bu çalışmada, sanayide önemli ve sıklıkla kullanılan bir süreç olduğundan döküm kusurları değerlendirilerek, dalgıç pompa çarklarının kusurlu ürünlerini tespit etmek ve gözden geçirme sürecini otomatikleştirmek için bir derin öğrenme modeli sunulmaktadır. Elde edilen %89'luk başarı oranı, evrişimli sinir ağı (CNN) mimarisi kullanılarak sektördeki hatalı ürün denetiminin görüntüler üzerinden yapılabileceğini göstermektedir.

Anahtar Kelimeler: Evrişimli Sinir Ağı, Görüntü İşleme, Hatalı Ürün

Doi:10.17366/uhmfd.2021.15.1