Tez No	İndirme	Tez Künye	Durumu
768910		Detecting and classifying fabric defects with computer-vision algorithms / Bilgisayar-görme algoritmaları ile kumaş hatalarının tespiti ve sınıflandırılması Yazar:FATMA GÜNSELİ ÇIKLAÇANDIR Danışman: DOÇ. DR. SEMİH UTKU Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Sayısal görüntü işleme = Digital image processing	Onaylandı Doktora İngilizce 2022 122 s.
Görüntü işleme, görüntü işleme tekniklerinin ortaya çıkmasından bu yana çeşitli alanlarda kullanılmıştır. Bu alanlardan biri de tekstildir. Bir kumaşta herhangi bir kusurun varlığı bu kumaşın kalitesini etkileyen en önemli faktörlerden biridir. Çeşitli nedenlerle oluşabilen birçok kumaş kusuru türü vardır. Kusura neyin neden olduğunu bulmak ve tekrar oluşmaması için düzeltmek çok önemlidir. Kumaş kusur tespitinin otomasyonu, hataları yüksek derecede başarı ile keşfedebilmek ve üreticiye verilen zararı sınırlandırmak için yapay zekâ teknolojisindeki gelişmeler göz önüne alındığında son zamanlarda büyük ilgi görmüştür. Ancak bu alanda bazı sorunlarla karşılaşılmaktadır. Kumaş kusur tespiti, çeşitli sorunlardan kaynaklanabilecek çok sayıda kusur bulunduğundan zorlu bir konudur. Ayrıca bu çalışmanın kısıtlılığı, Tilda veri tabanının kumaş kusur örneklerini içeren ve bu alanda erişilebilen sınırlı veri setlerinden biri olmasıdır. Bu tez, farklı öznitelik çıkarma yöntemlerini ve farklı sınıflandırıcıları analiz etmeye ve bu kombinasyonların avantaj ve dezavantajlarını tartışmaya odaklanmaktadır. Veri kümelerini farklı açılardan ele alan ve farklı yöntemler uygulayan farklı durumlar oluşturulmuştur. Sınıflandırma aşamasında üç farklı yöntem (EL, KNN ve SVM) test edilirken, öznitelik çıkarma aşamasında CNN tabanlı farklı yaklaşımlar (ResNet18, ResNet50, GoogLeNet ve AlexNet) test edilmiştir. Elde edilen sonuçlar ResNet18, ResNet50, GoogLeNet ve AlexNet sonuçlarıyla da karşılaştırılmıştır.
Image processing has been employed in a variety of fields since the advent of image processing techniques. One of these fields is textile. The existence of any defect in a fabric is one of the most important factors affecting the quality of the fabric. There are many types of fabric defects that can occur for various reasons. It's critical to figure out what caused the defect and fix it so that it doesn't occur again. Automation of fabric defect detection has recently attracted a lot of interest in view of the development in artificial intelligence technology in order to be able to discover defects with a high degree of success and to limit the harm to the manufacturer. However, some problems are encountered in this area. Fabric defect detection is a challenging subject since there exist a great number of defects that might result from a variety of issues. Additionally, the restriction of this study is that the Tilda database is one of the limited datasets that contain fabric defect samples and can be accessed in this field. This thesis focuses on analyzing different feature extraction methods and different classifiers and discussing the advantages and disadvantages of the combinations. Different cases have been created that handle the data sets from different angles and apply different methods. While three different methods (EL, KNN, and SVM) have been tested in the classification stage, different CNN-based approaches (ResNet18, ResNet50, GoogLeNet, and AlexNet ) have been tested in the feature extraction stage. The results obtained have been also compared with the results of ResNet18, ResNet50, GoogLeNet, and AlexNet.