Kumaş Hata Tespiti ve Konveyör Kontrolüne Yönelik YOLOv8n Tabanlı Bir Edge AI Sistemi

Tekstil üretiminde kumaş yüzeyinde oluşan kusurlar, ürün kalitesini düşürmekte ve üretim maliyetlerini artırmaktadır. İnsan gözlemine dayalı geleneksel kalite kontrol yöntemlerinin hız ve tutarlılık açısından sınırlı olması nedeniyle bu çalışmada, kumaş kusurlarının çevrim içi belirlenmesi ve konveyör sistemine durdurma komutu iletilmesi amacıyla Edge AI tabanlı laboratuvar ölçekli bir prototip geliştirilmiştir. Sistem; Raspberry Pi 5, yüksek çözünürlüklü kamera, L298N motor sürücüsü, DC motorlu konveyör mekanizması ve YOLOv8n nesne tespit modelinden oluşmaktadır. Model; leke, yırtık, boya, iplik ve kusursuz kumaş olmak üzere beş sınıf üzerinde eğitilmiştir. Veri seti, beş farklı kumaş örneğinden üç ayrı çekim oturumunda elde edilen 750 özgün görüntüden oluşturulmuştur. Ardışık görüntülerden kaynaklanabilecek veri sızıntısı riskini azaltmak amacıyla veri seti, artırma işlemlerinden önce grup bazlı olarak eğitim, doğrulama ve test kümelerine ayrılmış; veri artırma yalnızca eğitim kümesine uygulanmıştır. Eğitim ve model seçimi süreçlerinde kullanılmayan test kümesinde model %96,36 kesinlik, %96,00 duyarlılık, %96,00 mAP@0.5 ve %42,15 mAP@0.5:0.95 değerlerine ulaşmıştır. Sonuçlar, geliştirilen sistemin kontrollü laboratuvar koşullarında kumaş kusuru tespiti ile olay tetiklemeli konveyör kontrolünün bütünleştirilmesi açısından uygulanabilir bir ön prototip sunduğunu göstermektedir. Bununla birlikte, sistemin endüstriyel üretim ortamlarında kullanılabilmesi için daha geniş ve çeşitli veri setleriyle doğrulanması, farklı aydınlatma koşulları ve bant hızlarında test edilmesi ve mekanik durma süresi ile durma mesafesinin ayrıca ölçülmesi gerekmektedir.