Masif Panel Üretiminde Kullanılan Lameller Üzerinde Derin Öğrenme ile Budak Tespiti ve Segmentasyonu

Masif panel aynı kalitede lamellerin birleştirilmesiyle oluşturulmaktadır. Lamellerin kalitelerine göre ayrılma işlemi tamamen insan gücüne dayalıdır. Bu sebepten üretim bandında yaşanan sorunlar arasında zamandan kayıp, yanlış sınıflandırma, gibi problemler yer almaktadır. Sınıflandırma işleminin basit bir şekilde uygulanması için insan gücünün yerini alabilecek otomatik bir derin öğrenme ağı sistemi, bu sorunları büyük ölçüde ortadan kaldıracaktır. Çalışma kapsamında kullanılan MASK R-CNN ile lameller üzerindeki sınıflandırmayı etkileyen yapıları verimli ve hızlı bir şekilde algılar ve her bir özellik için kaliteli bir segmentasyon maskesi oluşturur. Bu yapılar arasında birçok öznitelik yer almaktadır. Bu yapılardan biri olan budak lamel parçaları üzerinde sınıflandırma esnasında büyük rol oynayan yapılardan biridir.Üretim hattından alınan 656 görsel üzerinde Mask R-CNN ağı kullanılarak budak tespiti gerçekleştirilmiştir. 656 görsel üzerinde 1006 adet etiket ile çalışılmıştır. Eğitim için ayrılan etiket sayısı 889, test için ayrılan etiket sayısı 117 olarak belirlenmiştir. Eğitim aşamasında gerçekleştirilen iterasyon sayısı kademeli olarak artırılmış ve sonuç olarak en iyi iterasyon sayısı 250 olarak belirlenmiştir. Nesne tespiti işlemi için ortalama kesinlik değerlerinin ortalaması (mAP) değeri %84 olarak elde edilmiştir.

Anahtar Kelimeler:

Derin Öğrenme, Görüntü Segmentasyonu, Nesne Tespiti, Budak Tespiti

PDF

___

Donatello S, Cordella M, Kaps R, Kowalska M, Wolf O. Are the existing EU Ecolabel criteria for furniture products too complex? An analysis of complexity from a material and a supply chain perspective and suggestions for ways ahead. International Journal of Life Cycle Assessment. 2020;25(5):868-882. doi:10.1007/s11367-019-01601-1
Bilgin Y. Türkiye’de Masif Panel Sektörünün Yapısal Durumu ve Ağaç İşleri Endüstrisindeki Kullanım Olanakları. 2010. Fabijańska A, Danek M, Barniak J. Wood species automatic identification from wood core images with a residual convolutional neural network. Computers and Electronics in Agriculture. 2021;181:105941.
Xi Z, Hopkinson C, Rood SB, Peddle DR. See the forest and the trees: Effective machine and deep learning algorithms for wood filtering and tree species classification from terrestrial laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing. 2020;168:1-16. doi:10.1016/J.ISPRSJPRS.2020.08.001
As N, Dündar T, Büyüksarı Ü. Classification of wood species grown in Turkey according to some physico-mechanic properties. İstanbul Üniversitesi Orman Fakültesi Dergisi. 2016;66(2):727-735. doi:10.17099/jffiu.93670
İlkuçar M, Kaya Aİ, Çifci A. Mekanik Özelliklere Göre Ağaç Türlerinin Yapay Sinir Ağları ile Tahmini Predicting wood types in terms of mechanical properties using artificial neural networks. 2018;8(1):75-83.
Kilinçarslan Ş, Şimşek Türker Y, İnce M. Temas Açısı Değerlerine Bağlı Ağaç Türlerinin Farklı Sınıflandırma Yöntemleri İle Tahmini. Bartın Orman Fakültesi Dergisi. 2020;22(3):861-870. doi:10.24011/barofd.697098
Decelle R, Jalilian E. Neural Networks for Cross-Section Segmentation in Raw Images of Log Ends. Published online 2019:3058259. Accessed May 21, 2022.https://hal.archives-ouvertes.fr/hal 03058259
Kibleur P, Aelterman J, Boone MN, van den Bulcke J, van Acker J. Deep learning segmentation of wood fiber bundles in fiberboards. Composites Science and Technology. 2022;221. doi:10.1016/J.COMPSCITECH.2022.109287
Augustauskas R, Lipnickas A, Surgailis T. Segmentation of drilled holes in texture wooden furniture panels using deep neural network. Sensors. 2021;21(11). doi:10.3390/S21113633
Chen LC. Edge-glued wooden panel defect detection using deep learning. Wood Science and Technology. 2022;56:477-507. doi:10.1007/s00226-021-01316-3
Wang Z, Zhuang Z, Liu Y, Ding F, Tang M. Color classification and texture recognition system of solid wood panels. Forests. 2021;12(9). doi:10.3390/f12091154
Zhuang Z, Liu Y, Ding F, Wang Z. Online color classification system of solid wood flooring based on characteristic features. Sensors (Switzerland). 2021;21(2):1-13. doi:10.3390/s21020336
Ding F, Zhuang Z, Liu Y, Jiang D, Yan X, Wang Z. Detecting defects on solid wood panels based on an improved SSD algorithm. Sensors (Switzerland). 2020;20(18):1-17. doi:10.3390/s20185315
Yang Y, Zhou X, Liu Y, Hu Z, Ding F. Wood defect detection based on depth extreme learning machine. Applied Sciences (Switzerland). 2020;10(21):1-14. doi:10.3390/app10217488
Yang Y, Wang H, Jiang D, Hu Z. Surface detection of solid wood defects based on ssd improved with resnet. Forests. 2021;12(10). doi:10.3390/f12101419
Wang B, Yang C, Ding Y, Qin G. Detection of Wood Surface Defects Based on Improved YOLOv3 Algorithm. Published online 2021.
Gao M, Chen J, Mu H, Qi D. A transfer residual neural network based on resnet‐34 for detection of wood knot defects. Forests. 2021;12(2):1-16. doi:10.3390/f12020212
Kiliç Ö, Mertcan D, Süzek BE. A Quality Control System Prototype for Detecting Knot Defects in the Wooden Panel Manufacturing. Mugla Journal of Science and Technology. 2019;24(1):24-33. doi:10.22531/muglajsci.473338
Girshick R, Donahue J, Darrell T, Malik J. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016;38(1):142-158. doi:10.1109/TPAMI.2015.2437384
Girshick R. Fast R-CNN.; 2015. https://github.com/rbgirshick/
He K, Gkioxari G, Dollár P, Girshick R. Mask R-CNN.; 2018. https://github.com/