Yüksek Lisans Adayı: Umut Can Erkan

EABD: Çokluortam Bilişimi

Tarih: 01.09.2025 / 15:00

Yer: B-116

Özet: Endüstriyel üretimde kalite güvencesi açısından radyografik görüntüleme ile yapılan tahribatsız muayene (NDT), özellikle alüminyum dökümlerindeki iç kusurların tespiti açısından kritik bir rol oynamaktadır. Ancak, derin öğrenmenin radyografik kusur tespitine uygulanması, alana özgü ön eğitim stratejilerinin ve halka açık, çeşitli etiketli veri kümelerinin eksikliği nedeniyle sınırlı kalmaktadır. Bu tez, her iki sorunu da ele alarak, American Society for Testing and Materials (ASTM) standartlarına göre etiketlenmiş yüksek çözünürlüklü alüminyum döküm X-ışını görüntülerinden oluşan yeni bir veri kümesi sunmaktadır. Veri kümesi, porozite türleri, gaz boşlukları, inklüzyonlar ve çekintiler gibi hem kaba hem de ince taneli kusur kategorilerini kapsamaktadır. Aynı zamanda malzeme türü, görüntüleme perspektifi ve kusur şiddeti açısından çeşitlilik içermektedir. Bu veri kümesi üzerinde çeşitli nesne tespiti modelleri değerlendirilerek, temel performans ölçütleri belirlenmiş ve alana özgü zorluklar ortaya konmuştur. Etiketli veriye duyulan gereksinimi azaltmak için, Textual Inversion ile yönlendirilen Stable Diffusion tabanlı sentetik veri üretim hattı önerilmiştir. Sadece birkaç halka açık referans görüntüden yola çıkılarak, dağılım dışı sentetik radyografiler üretilmiştir. Bu sayede yöntem tekrar üretilebilir hale gelmiş ve veri kümesine özgü sızıntılar engellenmiştir. Üretilen sentetik görüntüler, kendinden gözetimli karşıt öğrenme yöntemiyle modelin ön eğitiminde kullanılmıştır. Elde edilen ön eğitimli omurga modeli, hem top-1 doğruluğunda hem de kusur tespiti görevinde, ImageNet ile ön eğitilmiş karşılaştırmalı modeli geride bırakmıştır. Bu tez, döküm NDT alanı için zorlu bir yeni veri kümesi, veri kümesinden bağımsız bir sentetik veri üretim hattı ve dağılım dışı sentetik verilerle etkili temsillerin öğrenilebileceğine dair deneysel kanıtlar sunmaktadır.