Endüstriyel uygulamalar için gömülü sistemlerde derin öğrenme temelli nesne tanıma

Abstract

Günümüzde yapay zekâ teknolojileri, endüstriyel otomasyon süreçlerinden kalite kontrol sistemlerine, üretim planlamasından kestirimci bakıma kadar pek çok alanda yaygın olarak kullanılmakta ve Endüstri 4.0 vizyonunun temel bileşenlerinden biri hâline gelmektedir. Özellikle görüntü işleme ve derin öğrenme tabanlı sistemler, üretim süreçlerinde insan müdahalesine gerek kalmaksızın yüksek doğrulukla kararlar alabilen esnek çözümler sunmaktadır. Ancak bu sistemlerin kaynak kısıtlı donanımlarda uygulanabilirliğini sağlamak, önemli bir mühendislik problemi olarak karşımıza çıkmaktadır. Bu yüksek lisans tezinde, endüstriyel mutfak uygulamaları için gömülü sistemlerde çalışan bir derin öğrenme temelli nesne tanıma sistemi geliştirilmiştir. Çalışmada, STM32F429I-DISCOVERY mikrodenetleyici kartı üzerinde çalışabilecek, sınırlı kaynaklara uygun ve gerçek zamanlı görüntü sınıflandırmaya uygun modeller tasarlanmıştır. Görsel veriye dayalı bu sistem, yemek türünü sınıflandırmayı hedeflemektedir. Model geliştirme sürecinde hem sıfırdan tasarlanmış bir basit konvolüsyonel sinir ağı (CNN) mimarisi hem de MobileNetV2 tabanlı bir transfer öğrenme yaklaşımı kullanılmıştır. Her iki model, veri artırma teknikleriyle birlikte ve ayrı ayrı eğitilerek karşılaştırmalı analiz yapılmıştır. Modellerin doğruluk, kesinlik, duyarlılık ve F1-skor gibi başarım metrikleri hesaplanmış; ardından STM32Cube.AI aracı kullanılarak gömülü sistem entegrasyonları gerçekleştirilmiştir. Bellek kullanımı ve işlem karmaşıklığı açısından yapılan analizler sonucunda her iki modelin de mikrodenetleyici üzerinde başarıyla çalışabildiği gösterilmiştir. Bu tez çalışması, düşük güç tüketimli ve taşınabilir yapay zekâ çözümleri geliştirmek isteyen araştırmacılar için hem pratik hem de uygulanabilir bir örnek teşkil etmektedir. Ayrıca, görüntü tabanlı sınıflandırmanın endüstriyel ortamlarda kullanımı açısından önemli bir referans sunmaktadır.Today, artificial intelligence technologies are widely utilized in various industrial domains, including automation systems, quality control, production planning, and predictive maintenance, making them a cornerstone of the Industry 4.0 paradigm. In particular, image processing and deep learning-based systems offer flexible solutions capable of making high-accuracy decisions without human intervention. However, ensuring the applicability of such systems on resource-constrained hardware remains a critical engineering challenge. In this master’s thesis, a deep learning-based object recognition system has been developed to operate on embedded systems for industrial kitchen applications. The study presents models designed for real-time image classification, optimized for limitedresource environments, and capable of running on the STM32F429I-DISCOVERY microcontroller board. This vision-based system aims to classify the type of food. The study employs two different modeling approaches: a custom-designed basic convolutional neural network (CNN) built from scratch, and a transfer learning-based MobileNetV2 model. Both models are trained using original and augmented datasets and evaluated using various performance metrics such as accuracy, precision, recall, and F1- score. After training, the models are converted using STM32Cube.AI for embedded deployment, and their memory usage and computational complexity are analyzed. Results show that both models can be executed successfully on the STM32 microcontroller. This thesis presents a practical and applicable example for researchers interested in developing low-power, embedded AI solutions. Furthermore, it provides a valuable reference for applying image-based classification systems in industrial environments.