Denetimsiz Öğrenme ile Ek Yeri Proseslerinde Anomali Tespiti Enes Baytürk Kocaeli Üniversitesi/Mühendislik Fakültesi/Elektronik ve Haberleşme Mühendisliği enes.bayturk@brisa.com.tr, ORCID: 0000-0002-8040-0586 Prof. Dr. Oğuzhan Urhan Kocaeli Üniversitesi/ Mühendislik Fakültesi / Elektronik ve Haberleşme Mühendisliği urhano@kocaeli.edu.tr, ORCID: 0000-0002-0352-1560 Anıl Çalışkan Brisa Bridgestone Sabancı A.Ş anil.caliskan@brisa.com.tr Volkan Özdemir Brisa Bridgestone Sabancı A.Ş v.ozdemir@brisa.com.tr Can Arman İnmez Brisa Bridgestone Sabancı A.Ş c.inmez@brisa.com.tr Özet Lastik imal süreçlerinin adımlarından biri olan kalenderleme metodunda farklı komponentler bir araya gelerek lastik için uygun tekstil veya çelik malzemelerin üretilmesini sağlar. Kalenderleme işleminde lastik performans gruplarına göre kalınlıkları, dayanımları vb. fiziksel özellikleri seçilmiş olan tekstil veya çelik malzemeler özel haddeleme metoduyla kauçuk ile kaplanırlar. Ana malzemelerde oluşabilecek hatalar, kaplama kauçuğunun karakteri, proses parametrelerindeki değişkenlikler gibi sebepler ile zaman zaman üretimde hatalı ürün olarak tanımlanan özürlerin oluşmasına sebebiyet vermektedir. Ortaya çıkan bu hatalı ürünler yüksek performanslı ve güvenlikli lastiklerin üretilmesi için tespit edilerek ayıklanmalı ve lastiğe dönüşümü engellenmelidir. Özürlü olarak tanımlanan malzemelerin lastik pişme işleminden sonra tespit edilmesi gerek verim, enerji gerekse hammadde kaybına sebebiyet vermektedir. Bu çalışmada akan bir bant üzerindeki kalenderlenme prosesinde üretilen kauçuk kaplı tekstil malzemelerinin üretim aşamasında meydana gelebilecek hata veya özürlerin makine görüsü ile tespitine odaklanılmıştır. Çalışma kapsamındaki özürler; eksik kauçuk kaplama, mevcut bezler üzerindeki kırışıklık, bez bileşen ek yerlerindeki uygunsuz açıklık gibi fiziksel olarak tespit edilebilen olgulardır. Özür tespitlerinde geleneksel olarak nesne tespiti ile çözümleyebilecekken bu çalışmada farklı bir yöntem önerilmiştir. Girdi olarak alınan görüntü ilk olarak anomali tespit modeline verilmektedir. Bu kısımda anomali bir durum tespit edildiği durumda girdi görüntüsü sınıflandırma modeline girmekte ve özür tipi tespit edilmektedir. Anomali tespitinde, otokodlayıcı modelin doğruluğu %94.1 seviyelerinde, sınıflandırıcı modelin doğruluğu ise %93.2 seviyelerindedir. Otokodlayıcı ve sınıflandırıcı modelini melez bir model olarak kullanıldığında %95.3’lük doğruluk elde edilmiştir. Özür tiplerinin sınıflandırılmasında, sınıflandırıcı modelin doğruluğu %91.5, melez modelin doğruluğu %91.9 olmaktadır. Yapılan bu geliştirmelerle beraber makine duruş sürelerinde ve ay içinde oluşan toplam özürlü bileşen miktarında iyileşme sağlanmıştır. Anahtar Kelimeler: Denetimsiz Öğrenme, Anomali Tespiti, Sınıflandırma