Çelik Levha Hata Tespiti ve Kalite Kontrolü

Süreç izleme için İstatistiksel Süreç Kontrolü (SPC) ve otomatik hata sınıflandırması için Derin Öğrenmeyi (PyTorch, ResNet-18) birleştiren hibrit bir endüstri mühendisliği projesi.

Python
Data Science & Analytics
Matplotlib
Machine Learning
Seaborn
PyTorch
Computer Vision
Statistical Process Control (SPC)
Quality Assurance (QA)
Statistics & Probability

Genel Bakış

Bu proje, gelişmiş kalite kontrol metodolojilerini çelik üretim endüstrisine uygular. UCI Çelik Levha Hataları veri setini kullanarak, yedi farklı yapısal hatayı (örn. Pastry, Z_Scratch, K_Scratch) tespit etmek ve sınıflandırmak için kapsamlı bir analiz yürüttüm. Proje, geleneksel Endüstri Mühendisliği yöntemleri ile modern Yapay Zekayı birleştirmektedir.

Metodoloji

1. İstatistiksel Süreç Kontrolü (SPC)

Üretim kararlılığını izlemek için çeşitli kontrol grafikleri uyguladım:

  • Değişken Grafikleri: X-bar ve S-bar grafikleri fiziksel boyutları (kalınlık, parlaklık) analiz etti ve mevcut üretim sürecinin istatistiksel olarak "kontrol dışı" olduğunu ve varyansın azaltılması gerektiğini ortaya koydu.
  • Nitelik Grafikleri: Belirli kusurların sıklığını izlemek için P-grafikleri ve C-grafikleri kullanıldı.

2. Makine Öğrenmesi ve Derin Öğrenme

Hata sınıflandırmasını otomatikleştirmek için birden fazla model geliştirdim ve karşılaştırdım:

  • Random Forest: %68.10'luk bir temel doğruluk oranı elde etti.
  • PyTorch Sinir Ağı: Özel bir İleri Beslemeli Sinir Ağı (Feed-Forward NN). Batch Normalization, Dropout regülarizasyonu ve hiperparametre optimizasyonu sayesinde doğruluk oranı başlangıçtaki %40 seviyesinden %88.24'e yükseltildi.
  • Bilgisayarlı Göru (Transfer Learning): Sayısal veri seti özelliklerini ısı haritası (heatmap) görsellerine dönüştürerek yenilikçi bir yaklaşım uyguladım. Bu yöntem, önceden eğitilmiş bir ResNet-18 modelinin ince ayar (finetuning) yapılmasına olanak tanıdı ve %87.21 doğruluk oranıyla görsel tabanlı denetimin uygulanabilirliğini kanıtladı.

Teknoloji Yığını

  • Analiz: Python, Pandas, NumPy, Scipy
  • Makine Öğrenmesi: PyTorch, Scikit-learn, Torchvision
  • Görselleştirme: Matplotlib, Seaborn