TR2023008772A2 - Yapay zekâ tabanli kumaş hata tespi̇t si̇stemi̇ - Google Patents

Abstract

Buluş, kumaşın üretim aşamasında geçmiş olduğu tüm terbiye makinelerinde anlık olarak izlenmesi ve olası hataların tespit edilmesini sağlayan, kumaştaki ikinci kalite miktarının azaltılması ve süreçlerin verimliliğinin arttırılmasını sağlayan bir sistem ile ilgilidir.

Description

TARIFNAME YAPAY ZEKÂ TABANLI KUMAS HATA TESPIT SISTEMI TEKNIK ALAN Bulus, kumasin üretim asamasinda geçmis oldugu tüm terbiye makinelerinde anlik olarak izlenmesi ve olasi hatalarin tespit edilmesini saglayan, kumastaki ikinci kalite miktarinin azaltilmasi ve süreçlerin verimliliginin arttirilmasini saglayan bir sistem ile ilgilidir. TEKNIGIN BILINEN DURUMU Tekstil sektöründe islenen kumas rulo veya tambur sarim yöntemi ile sarilip ambalajlandiktan sonra sevk edilir. Kumas; sevkiyat amaçli rulo veya tambur sarimi yapilirken son kez kalite kontrolü yapilir. Kalite kontrolü kumas beyaz veya aydinlatmali zemin üzerinden geçirilerek yapilir. Kontrol islemi insan gözü ile yapilmaktadir. Bu da zamanla gözden birçok hatanin kaçmasina sebep olmaktadir. Hatalar zaman ve maliyet olarak zarara sebep olmaktadir. Teknigin bilinen durumunda operatöre bagli olarak kumas hatalarinin gözden kaçmasi sonucu ikinci kalite orani yüksek olmaktadir. Operatörün makine enin yüksek olmasindan kaynaklanan ikinci kalite oranin yüksek olmasi, hatalarin islem sonucunda fark edilmesi gibi teknikte birçok problem meydana gelmektedir. edilebilecek ve kontrol edilecek yüzeyi belirli bir hizda hareket ettiren rulolara sahip en azindan bir taban plaka , bahsedilen taban plakanin ön uç kismina belirli bir egimle yerlestirilen çerçeve , bahsedilen çerçevenin uzun kollarina, iki tarafina da dogrusal hareket saglamak üzere yerlestirilen lineer motor ve bahsedilen çerçevenin üst kisa kenarina kontrol edilecek yüzeyi görüntüleyecek pozisyonda kontrol ve hata tespitini saglamak üzere yerlestirilen en azindan bir görüntü elde edici cihaz içeren bir portatif kumas kontrol ve hata tespit sistemi ile ilgilidir. edilmesi ile ilgili bir yöntem ve bu yöntemin gerçeklestirilebilmesini saglayan ekipmanlar ile ilgilidir. Bulus özellikle, tekstil sektöründe kumaslardaki hatalarin tespit edilmesini saglayan bir yöntem olup, kumasin bir isitici vasitasiyla homojen sekilde isitilmasi, homojen sekilde isitilan kumasin termal kamera ile görüntülenmesi, termal kamera ile alinan görüntüler üzerinde hatali bölgelerin bulunmasi ve kaydedilmesi, görüntü isleme yazilimi ile hatali bölgeler üzerinde hatali alanlarin tespit edilmesi ve hatalarin siniflandirilmasi islem adimlarini içermektedir. Sonuç olarak mevcut teknikte var olan ve günümüzde kullanilmakta olan yapilanmalara ve uygulamalara ait eksikliklerin ve dezavantajlarin ortadan kaldirilmasina olan gereksinim, ilgili teknik alanda bir gelistirme yapmayi zorunlu kilmaktadir. BULUSUN TANIMI Mevcut bulus yukarida bahsedilen dezavantajlari ortadan kaldirmak ve ilgili teknik alana yeni avantajlar getirmek üzere gelistirilmis yapay zeka tabanli kumas hata tespit sistemi ile ilgilidir. Bulusun amaci, kumasin üretim asamasinda yapilan islemlerinin sürekli olarak izlenerek, olasi hatalarin aninda tespit edilmesidir. Örnegin, eger bir kumasin Merserize makinesinde islem gördügü asamasinda bir hata meydana gelirse, sistem bu hatayi aninda tespit ederek, üretim sürecini düzgün bir sekilde sürdürebilmek için gerekli önlemlerin alinmasini saglar. Bu sayede, ikinci kalite ürünlerin olusumu azaltilmis ve süreçlerin verimliligi de arttirilmis olmaktadir. Bulusun bir diger amaci, son kullaniciya bagli kalmaksizin hatalarin tespit edilmesi, kaydedilmesi ve arsivlenmesidir Bulusun bir diger amaci; Üretim aninda kalite kontrol isleminin yapilmasidir. Bulusun bir diger amaci; tekstildeki proses adimlarinda görülemeyen devreden hatalarin aninda müdahale edilmesidir. Bulusun bir diger amaci; sayisal ve sözel verilerin dijitallestirilerek aninda izlenebilirligin saglanmasidir. Görüntü verilerinin düzenli kaydedilerek daha sonra yapilacak olan yapay zekanin veri setinin olusturulmasidir. Bulusun bir diger amaci; kalite kontrol sonrasi çikan ikinci kalite adetinin düsürülmesidir. Bulusun bir diger amaci; ikinci kalite adetinin düsürülmesiyle sarf malzemenin tüketiminin azaltilmasidir. Bulusun bir diger amaci; manuel raporlamanin yerine dijital raporlamaya geçis saglanmasidir. Bulusun bir diger amaci; gelistirilen yeni proseslerin üretimde etkilerinin anlik olarak gözlemlenmesidir. Bulusun bir diger amaci; normalde yapilan delik testi için her doktan 4 metre alinan kumas miktari bulus sayesinde alinmamasidir. Böylece sarf malzemesi tüketim miktari azaltilmaktadir. Çizimler Yukarida kisaca özetlenen ve asagida daha detayli ele alinan mevcut bulusun uygulamalari, bulusun ekteki çizimlerde betimlenen örnek uygulamalarina basvurarak anlasilabilir. Ancak ekteki çizimlerin yalnizca bu bulusun tipik uygulamalarini betimledigini ve bulus, bu nedenle, diger esit derecece etkili uygulamalara izin verebilecegi için, kapsamini sinirladiginin varsayilmayacagini belirtmek gerekir. Anlasilmayi kolaylastirmak adina, sekillerde ortak olan özdes elemanlari belirtmek için, mümkün hallerde özdes referans numaralari kullanilmistir. Sekiller ölçekli çizilmemistir ve açiklik için basitlestirilebilir. Bir uygulamanin elemanlari ve özelliklerinin daha fazla açiklama lüzum olmaksizin diger uygulamalara faydali bir biçimde dâhil edilebilecegi düsünülmektedir. Sekil 1: Bulusun algoritmik görünümüdür. Sekil 2: Bulusun sematik görünümüdür. Çizimlerdeki Detaylarin Açiklanmasi Sekillerde gösterilen referans numaralarinin karsiliklari asagida verilmistir. Kontrol Sistemi 1a- Bilgisayar 1b-Operatör Veri Tabani Mekanik Sistem 3 a- Kumas Aydinlatma Paneli 3 b-Sase Kamera Sistemi 4 b- Ag Arayüz Karti Enkoder Ikaz Uyari Kamera Görüntü Veri-Tensör Dönüsüm Sistemi 7 a-GPU 7 b-CPU Görüntü Isleme Yapay Zeka -Raporlama 100- Baslat 100a- Kalite Kod Girisi 100b- Dok No Girisi 101 a-Kalite Kod No ve Kalite No Dogru Mu? 102-Enkoderin Okunmasi 103-Kalite Koda Göre lsik Siddetinin Degismesi 104-Ikaz Lambasinin Okunmasi 105-Kameralarin Yazilima Entegre Edilmesi 106- Kameralarin Ekran Kartindaki Tensörlere Dönüsümü 107-Kameralarin Kumas Disi Görüntülerin Griye Boyanmasi 108-Daha Önce Egitilen Yapay Zekaya Gösterimi 108 a-Hata Var mi? 109-Hatanin sinifi, Hatanin Geldigi Metre, Hatanin Büyüklügü, Kalite ve Dok Numarasi, Tarih ve Zaman 110-Görüntünün Hata Bölgesini Kesip Kayit Etmesi 110 a-Veri Standardin Disinda Mi? 111-Esik Hata Kapasitesini Asti Mi? 111 a-Metre Bilgilerin Standart Sapmasini Isle 112-Uyari Ekranini Aç BULUSUN DETAYLI AÇIKLANMASI Bu detayli açiklamada bulus konusu yapilanmasinin tercih edilen alternatifleri, sadece konunun daha iyi anlasilmasina yönelik olarak ve hiçbir sinirlayici etki olusturmayacak sekilde açiklanmaktadir. Bulus; Görüntülerin islenmesi ve ardindan yapay zeka modeline yönlendirilmesinde görüntü elde edilmesini saglayan en az bir adet Kamera ve interface kart (ag ara birim karti), Yapay zekanin hatayi tespit etmesi durumunda bilgilerin kaydedildigi, bunun disinda her türlü verinin kayit edildigi en az bir adet Veri Tabani (2), Tüm verilerin ve islemlerin operatör (1b) tarafindan takibinin yapildigi ve operatör (1b) ile beraber kontrol sistemini (1) olusturan en az bir adet bilgisayar (1a), Mekanik sistemi (3) meydana getiren en az bir adet sase (3b) ve kumasin aydinlatilmasini saglayan en az bir adet kumas aydinlatma paneli (3a), Sinyalleri koda dönüstürme islevini gerçeklestiren en az bir adet Enkoder (5), Veri tabaninda (2) bulunan kumastaki metreye göre belirlenen esik hata sayisinin asmasi durumunda sisteme bildirim yapan Ikaz Uyari ekrani ve ikaz uyari lambalari, GPU (7a) ve CPU (7b) islemcilerin içinde yer aldigi en az bir adet Kamera Görüntü Veri- Tensor Dönüsüm Sistemi içermektedir. Mevcut bulus; Operatör (1b), Görüntü isleme (8), yapay zeka (9), veri tabani (2) ve raporlama (10) adimlarindan meydana gelmektedir. Bulustaki islemin yöntem adimlari; 1) Operatörün (1b) kalite kodu ve dok no bilgi girisini yapmasi ile islem baslamaktadir. Bu sayede manuel olarak takip edilen sistemden dijital ortama geçilmistir. 2) Kalite koduna göre yazilim isik siddetini ayarlamaktadir. Kumas türüne göre kameranin hatalari daha iyi görebilmesi için isigin siddetinin ayarlanmasi. 3) Kameralarin yazilim içerisine entegre edilmesi. Kamera sayisina göre görüntüler üst üste birlestirmektedir. Görüntü verisinin boyutuna göre ekran karti birimi (tensor) de degismektedir. Çalisilan kumas enine göre kamera sayisinin belirlenmesi. Her kameradan alinan verilerin üst üste birlestirerek daha hizli hata tespitinin yapilmasi. Birlestirilen görüntünün alanina göre ekran kartinda tensör atamasi yapilmasidir. 4) Yapay zekâ görüsü öncesi görüntü, görüntü islemlerden geçmektedir. Ilk olarak bu görüntü kumas eni disindaki görüntülerin silinmesi. Bu silinen bölgelerin esit boyutta çikti alabilmesi için bu bölgeyi griye boyamaktadir. Ekran kartindan geçen görüntünün yapay zekaya uygun bir sekilde giris yapabilmesi için görüntü islemlerden geçmektedir. Yapay zekaya uygun olarak egitilen modelin, gri alanlari tanimsiz olarak görmektedir. ) Görüntü islem sonrasinda daha öncesinde egitilen yapay zekâ modelinden geçmektedir. Uygun sekilde hazirlanan görüntünün, daha öncesinde makine ögrenimi ile egitilen yapay zekâ modelinden geçmektedir. Bu yapay zekâ görüntüde hatalari (Delik, leke, kirik, dikis, iplik) tespit etmektedir. 6) Yapay zekanin hata tespit etmesi durumunda bilgilerin veri tabanina (2) kaydedilmesi. (Hatanin sinifi, hatanin geldigi metre, hatanin büyüklügü, kalite kodu ve dok numarasi, tarihi). Egitilen yapay zeka modelinden kumastaki çikan hatalarin veri tabanina (2) kayit edilmesi. 7) Veri tabaninda (2) bulunan kumastaki metreye göre belirlenen esik hata sayisinin asmasi durumunda hata uyari ekrani ve ikaz lambalari tarafindan uyarilmasi. Daha öncesinde belirlenen ve veri tabaninda (2) kaydedilen kumastaki metreye göre esik hata degeri bulunmaktadir. Bu degerin asilmasi durumunda ikaz uyari lambalari ve yazilimda "uyari ekranin" devreye girmesi. 8) Veri tabaninda (2) bulunan verilerin normalinin disinda ise tespit edilen verilerin silinmesi. Bu normallik veri tabaninda (2) bulunan verilerin harmonik sapmasindan olusmaktadir. Veri tabanin (2) içinde bulunan verilerin kendi aralarinda bir korelasyon degerine sahiptir. Bu veriler olmasi gereken deger araligindan çok uzak ise bu veriler silinir. 9) Kalite kodu, dok no, tarih ve hata türüne göre detayli raporlandirmasi ve grafiklendirmesi. Yapay zekanin tespit ettigi veri tabaninda (2) bulunan verilerin istenilen tarih, dok no, kalite no'ya göre raporlandirilmasi ve grafiklendirilmesi. ) Olusan raporlamanin bir veya birden fazla e-postaya gönderilmesi. Olusturulan raporlarin incelemesi ve kalite kontrolü için sistemde kayitli olan gerekli kisilere e posta ve/veya sms olarak gönderilmesi. Bu sistem, kumasin üretim asamasinda yapilan islemleri sürekli olarak izleyerek, olasi hatalari aninda tespit etmeyi amaçlamaktadir. Örnegin, eger bir kumasin Merserize makinesinde islem gördügü asamasinda bir hata meydana gelirse, sistem bu hatayi aninda tespit ederek, üretim sürecini düzgün bir sekilde sürdürebilmek için gerekli önlemlerin alinmasini saglar. Bu sayede, ikinci kalite ürünlerin olusumu azaltilmis ve süreçlerin verimliligi de arttirilmis olmaktadir. Bulus kapsaminda, toplamda 4095x765 piksel boyutunda görüntülerin islenmesi ve ardindan yapay zeka modeline yönlendirilmesi gerçeklestirilmektedir. Bu süreçte, kameralar tarafindan elde edilen görüntüler, PyTorch kütüphanesi kullanilarak tensörlere dönüstürülmektedir. Bu tensörler, daha sonra islemci (CPU) üzerinden çikis görüntüsü olarak sunulmaktadir. Yapay zeka modeli, PyTorch kütüphanesinden gelen çiktilari islemekte ve bu sayede bulusun temel amaci olan kumas hatalarinin tespiti ve analizi gerçeklestirilmektedir. Bu süreç hem hizli hem de etkin bir sekilde yürütülerek, kumas üretim sürecinde kalite kontrol ve hata yönetiminin daha verimli hale getirilmesine olanak tanimaktadir. delil: için;D0li: N::: 960, Kalite N::: FL Hata Sayisi 0-3?" 9:49? 0-31" leke içln;l:li:ili: NO: 55 , Kalite Nii::: FL Hata Sayisi nnmmmmmmsi a- cn îâîîaezazexaagzg: gguuuuuuncigçgçu Tablo 1: Bulusun merserize makinesinde tespit ettigi kumas hatalarinin grafiksel görünümüdür. Tablo 2: Bulusun merserize makinesinde tespit ettigi kumas hatalarinin grafiksel görünümüdür. Bulusta; yapay zeka teknolojisi kullanilarak, hatali ve hatasiz dokuma ve örme kumaslari tespit edilmesi amaçlanmistir. Bu amaç dogrultusunda, CNN (Convolutional Neural Network) katmanlari kullanilarak genetik optimizasyon yöntemiyle iyilestirme yapilmistir. CNN katmanlari, evrisimIi sinir agi yapisi ile yüksek basari saglamak üzere tasarlanmistir ve önemli yatay ve dikey farkliliklarin kesinIigini arttirmayi saglamaktadir. Bu sayede her pikseIin diger pikseIIerIe olan bagliligi kumas hatalari konusunda yüksek dogruluk saglamaktadir. IsIetmede bulunan hatali ve hatasiz dokuma ve örme kumaslarinin (örnegin leke, delik, yag, kirik, iplik, kaçak iplik,dikis gibi) yapay zeka modeli tarafindan tespit edilebilmesi için öncelikle "labellmg" yazilimi kullanilarak bu kumaslarin tanimlari yapilmistir. Bu tanimlamalar denetimli ögrenim esnasinda hata koordinatlarini .txt dosyasi elde etmemizi saglayan bir yazilimdir. Bu sayede, yapay zeka modeli egitimi için uygun hale getirilen verilerle hatali ve hatasiz dokuma ve örme kumaslarin siniflandirma islemleri gerçeklestirilmistir. Bu nöronlar gizli katmana ileri yayilim gösterir çikis katmaninda yapay zekâ koordinatini ve hatanin sinifi belirtir. Ileri yayilim sonrasi geri yayilim yapay zekâsi oldugundan dolayi kendisi optimize etmektedir. Bütün tekrarlamalar (iterasyon) sonucunda yapay zekâmiz egitilir ve çiktisinda bir model olusturur. Olusan model sayesinde tekstilde kullanilan tüm makinelere entegre edilerek islem gören kumasin islem aninda hatali veya hatasiz kumasin ayrimini ve hatali kumasin tespitini ve koordinatini vermektedir. Kullanicinin kumaslarda olusabilecek hatalari anlik olarak ara yüzde görebilecektir. Olusturulan ara yüz, Resim 1'de görüldügü gibi, kullanilacak olan tekstil makinesine göre yönetici tarafindan kamera türü (çizgi ve alan), kameranin teknik özellikleri (seri numarasi, boyutu, yüksekligi, impact rate, eXposure time, cut off degerleri), seri port ayarlari (Port numarasi, Baund rate), yeni tanimlanacak kumas türü ve isigin parlaklik siddeti gibi teknik özelliklerin ayarlanmasini saglar. Yönetici paneli sayesinde, gelecekte gelistirilecek güncel yapay zeka sistemlerinin hizli bir sekilde entegre edilmesi özelligi tanimlanmistir. Ara yüz, kullanicinin maksimum 4 kamera ile sinirli olan maksimum bez enine bagli olarak, lens türü, lens-kumas arasi uzaklik, eXposure time ve black-label özelliklerini programin ara yüzünden degistirilebilmektedir. Kullanici, bu seçimler dogrultusunda kamera sayisini ve kameralarin konumlarini (sag-sol/yukari-asagi) belirleyebilir. Kullanici panelinde, kullanici programi dok numarasi ve kumas türü seçerek baslatir. Program baslatildiktan sonra, kullanici mekanik sisteme (3) geçerek tespit edilen hatalarin resimlerini, enini, boyunu, alanini, geldigi metre sayisini ve sinifini inceleyebilir. Böylece kumas hata tespiti gerçeklestirilebilir. Seçilen tekstil makinesindeki kumas islemi sirasinda tekrarlanan hatalar sirenlerle uyarildiktan sonra, mobil uygulamamizda yer alan uyari mesajlari, kullanicilara anlik olarak iletilmektedir. Kullanicilar uyarilari aninda ara yüzümüzdeki yer alan ikaz kapatma butonuna tiklayarak hatali kumasa aninda müdahale edebilirler. Kullanicidan dogan bazi teknik problemler ile karsilasabilmektedir. Bunlar dok numarasini ve kumas türünü yanlis girmesi, ikaz uyarilarina dikkate almamasi. - Veri setinde yeterince veri ve çesitligin az olmasindan kaynaklanan hata tespiti olmasi. Bulusta kumas hatalarini tespit etmek ve analiz etmek amaciyla gelistirilmis kapsamli bir veri tabani (2) ve raporlama sistemi sunan bir pencere yer almaktadir. Pencere, hatanin metre konumu, kalite kodu, dok kodu ve tarihi gibi bilgileri barindiran ayrica delik, leke, kirik, iplik ve dikis hatalarini filtrelemeyi, haftalik ve aylik analizler yaparak raporlamayi ve hatali bölgelerin resim ve bilgilerini sunmayi saglar. Bu sayede, kumas üretiminde kalite kontrol ve hata yönetimi süreçleri daha etkin ve verimli hale getirilir. Bulusta sekillerde verilen algoritma; Baslat (100) ile islemin baslamasi, Kalite Kod Girisinin yapilmasi, (100a) Dok No Girisi yapilmasi, (100b), Dokno ve Kalite No dogru mu? Dogru ise, Mikrodenetleyici Aktif mi? (101) eger aktif ise Enkoderin Okunmasi (102), Kalite Koda Göre lsik Siddetinin Degismesi (103), Ikaz Lambasinin Okunmasi (104) Dokno ve Kalite No dogru mu? Dogru ise,Kameralarin Yazilima Entegre Edilmesi (105), Kameralarin Ekran Kartindaki Tensörlere Dönüsümü (106), Kameralarin Kumas Disi Görüntülerin Griye Boyanmasi (107), Daha Önce Egitilen Yapay Zekaya Gösterimi (108), Hata Var mi? (108 a) Evet ise, Hatanin sinifi, Hatanin Geldigi Metre, Hatanin Büyüklügü, Kalite ve Dok Numarasi, Tarih ve Zaman (109), Görüntünün Hata Bölgesini Kesip Kayit Etmesi (110), Esik Hata Kapasitesini Asti Mi? (111), Uyari Ekranini Aç (112), Ayrica Hata olursa bu verilerin veri tabanina kayit edilmesi (109a), Veriler Standardin disinda mi? (110a), Metre bilgilerin standart sapmasini Isle (111a), Baslat (100), Tarih, Kalite No ve Dok No yazilarak Rapor yazilir (102) islem adimlarini içerir. TR TR

Claims (1)

STEMLER

1- Bulus, kumas üretim asamasinda geçmis oldugu tüm terbiye makinelerinde anlik olarak izlenmesi olasi hatalarin tespit edilmesini saglayan, kumastaki ikinci kalite miktarinin azaltilmasi ve süreçlerin verimliliginin arttirilmasini saglayan bir yöntem ile ilgili olup özelligi; - Operatörün (1b) kalite kodu ve dok no bilgi girisini yapmasi ile islem baslamasi, - Kalite koduna göre yazilim isik siddetinin ayarlanmasi, bir baska deyis ile kumas türüne göre kameranin hatalari daha iyi görebilmesi için isigin siddetinin ayarlanmasi, - Kameralarin yazilim içerisine entegre edilmesi, çalisilan kumas enine göre kamera sayisinin belirlenmesi, Kamera sayisina göre görüntülerin üst üste birlestirilmesi, Görüntü verisinin boyutuna, alanina göre ekran karti birimi (tensor) de degismesi, - Yapay zekâ görüsü öncesi görüntü, görüntü islemlerden geçmesi, Ilk olarak bu görüntülerden kumas eni disindaki görüntülerin silinmesi, bu silinen bölgelerin esit boyutta çikti alabilmesi için bu bölgeyi griye boyamasi, Görüntü islem sonrasinda daha öncesinde egitilen yapay zekâ modelinden geçmesi, bu yapay zekânin görüntüdeki hatalari (Delik, leke, kirik, dikis, iplik) tespit etmesi, Yapay zekanin hata tespit etmesi durumunda bilgilerin veri tabanina (2) kaydedilmesi, (Hatanin sinifi, hatanin geldigi metre, hatanin büyüklügü, kalite kodu ve dok numarasi, tarihi) Veri tabaninda (2) bulunan kumastaki metreye göre belirlenen esik hata sayisinin asmasi durumunda hata uyari ekrani ve ikaz lambalari tarafindan uyarilmasi, bir baska deyisle daha öncesinde belirlenen ve veri tabaninda (2) kaydedilen kumastaki metreye göre esik hata degeri bulunmasi ve bu degerin asilmasi durumunda ikaz uyari lambalari ve yazilimda “uyari ekranin” devreye girmesi, Veri tabaninda (2) bulunan verilerin normalinin disinda ise tespit edilen verilerin silinmesi, bu normalligin veri tabaninda (2) bulunan verilerin harmonik sapmasindan olusmasi, veri tabanin (2) içinde bulunan verilerin kendi aralarinda bir korelasyon degerine sahip olmasi ve bu veriler olmasi gereken deger araligindan çok uzak ise bu verilerin silinmesi, Kalite kodu, dok no, tarih ve hata türüne göre detayli raporlandirmasi ve grafiklendirilmesi, Olusturulan raporlarin incelemesi ve kalite kontrolü için sistemde kayitli olan gerekli kisilere e-posta ve/veya sms araciligi ile gönderilmesi islem adimlarindan meydana gelmektedir. Bulus, kumas üretim asamasinda geçmis oldugu tüm terbiye makinelerinde anlik olarak izlenmesi olasi hatalarin tespit edilmesini saglayan, kumastaki ikinci kalite miktarinin azaltilmasi ve süreçlerin verimliliginin arttirilmasini saglayan bir sistem ile ilgili olup özelligi; Görüntülerin islenmesi ve ardindan yapay zeka modeline yönlendirilmesinde görüntü elde edilmesini saglayan en az bir adet Kamera, Bilgisayarin (1a) internete baglanmasini saglayan en az bir adet interface kart (ag ara birim karti) Görüntü verilerinin düzenli kayit edildigi, Yapay zekanin hatayi tespit etmesi durumunda yine bilgilerin kaydedildigi, bunun disinda her türlü verinin kayit edildigi en az bir adet Veri Tabani (2), Tüm verilerin ve islemlerin operatör (1b) tarafindan takibinin yapildigi ve operatör (1 b) ile beraber kontrol sistemini (1) olusturan en az bir adet bilgisayar (1a), Mekanik sistemi (3) meydana getiren en az bir adet sase (3b) ve kumasin aydinlatilmasini saglayan en az bir adet kumas aydinlatma paneli (3a), Sinyalleri koda dönüstürme islevini gerçeklestiren en az bir adet Enkoder (5), Veri tabaninda (2) bulunan kumastaki metreye göre belirlenen esik hata sayisinin asmasi durumunda sisteme bildirim yapan Ikaz Uyari ekrani ve ikaz uyari lambalari, GPU (7a) ve CPU (7b) islemcilerinin içinde yer aldigi en az bir adet Kamera Görüntü Veri- Tensor Dönüsüm Sistemi içermektedir. Bulus, Istem 1'e bagli kumas üretim asamasinda geçmis oldugu tüm terbiye makinelerinde anlik olarak izlenmesi olasi hatalarin tespit edilmesini saglayan, kumastaki ikinci kalite miktarinin azaltilmasi ve süreçlerin verimliliginin arttirilmasini saglayan bir sistem ile ilgili olup özelligi; Yapay görüs esnasinda dogrulugun ve isigi yüksek geçiren kumas türlerine göre isik siddetinin degismesi islem adimini içermesidir. Bulus, Istem 1'e bagli kumas üretim asamasinda geçmis oldugu tüm terbiye makinelerinde anlik olarak izlenmesi olasi hatalarin tespit edilmesini saglayan, kumastaki ikinci kalite miktarinin azaltilmasi ve süreçlerin verimliliginin arttirilmasini saglayan bir yöntem ile ilgili olup özelligi; Program baslatildiktan sonra, kullanicinin mekanik sisteme (3) geçerek tespit edilen hatalarin resimlerini, enini, boyunu, alanini, geldigi metre sayisini ve sinifini inceleyebilmesi, Böylece kumas hata tespiti gerçeklestirilebilmesi, Seçilen tekstil makinesindeki kumas islemi sirasinda tekrarlanan hatalar sirenlerle uyarildiktan sonra, mobil uygulamamizda yer alan uyari mesajlari, kullanicilara anlik olarak iletebilmesi islem adimini içermesidir. Bulus, Istem 1'e bagli kumas üretim asamasinda geçmis oldugu tüm terbiye makinelerinde anlik olarak izlenmesi olasi hatalarin tespit edilmesini saglayan, kumastaki ikinci kalite miktarinin azaltilmasi ve süreçlerin verimliliginin arttirilmasini saglayan bir yöntem ile ilgili olup özelligi; Kullanicilarin uyarilari aninda ara yüzde bulunan ikaz kapatma butonuna tiklayarak hatali kumasa aninda müdahale edebilmesi islem adimini içermesidir.