Show simple item record

dc.contributor.advisorÜnel, Mustafa
dc.contributor.authorBılal, Dıyar Khalıs
dc.date.accessioned2023-09-22T12:24:03Z
dc.date.available2023-09-22T12:24:03Z
dc.date.submitted2021-11-02
dc.date.issued2021
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/740063
dc.description.abstractGörme tabanlı öğrenme teknikleri, endüstrinin çeşitli alanlarında yüksek derecede kesin ve gürbüz algoritmaların geliştirilmesi için son yıllarda giderek daha önemli hale gelmiştir. Endüstride makine görme ve öğrenmesinin en önemli uygulamaların- dan bazıları yapısal sağlık gözetleme (SHM) ve endüstriyel robotiktir. SHM, havacılık endüstrisinde kullanılan kompozit malzemelerin yapısal bütünlüğünü gözetlemede kritik bir teknoloji haline gelmiştir. Uçaklar sürekli dış yükler altında çalıştıkları için yapısal bütünlüklerini olumsuz etkileyebilecek büyük deformasyonlara maruz kalırlar. Bu nedenle uçakların uzun hizmet ömrünü sağlamak için kanatlar gibi kritik bileşenler sürekli olarak gözetlenmelidir. Bu tezde, uçak kanatlarında sapmalara neden olan yüklerin lokalizasyonu ve büyüklüğünü kestirmek etmek için gerçek zamanlı bir SHM sistemi geliştirilmiştir. Bu amaçla, bir derinlik kamerasından çıkarılan özniteliklerin kullanıldığı yapay sinir ağlarına (ANN) dayalı bir algoritma geliştirilmiştir. Yükün lokalizasyonu, çokterimli bir lojistik sınıflandırma problemi olarak ve yük büyüklüğü kestirimi bir lojistik regresyon problemi olarak işlenmiştir. Sınıflandırma ve regresyon için önerilen sinir ağlarından önce bir otomatik kodlayıcı (AE) kullanılmıştır. AE, çok daha küçük bir ölçekte verinin derinlik görüntülerinden çıkarılmasına olanak sağlar. Önerilen yöntemin etkinliği, konsantre ve yayılı yüklere maruz kompozit bir İHA kanadı üzerinde gerçekleştirilen deneysel bir çalışma ile doğrulanmış ve önerilen yöntemle elde edilen sonuçlar Castigliano teoremine dayalı bir yöntemle karşılaştırıldığında daha üstündür.Endüstriyel robotlar, daha düşük fiyatları, yüksek otomasyon derecesi ve daha geniş çalışma alanı nedeniyle yakın gelecekte CNC makinelerinin yerini alacaklar. Bununla birlikte, endüstriyel robotların nispeten düşük doğrulukları imalat endüstrisinde kullanımlarına bir engeldir. Lazer izleyicilerin, robotların manipülasyon görevleri için doğruluklarını önemli ölçüde artırdığı bilinmektedir, ancak lazerlerin yüksek maliyetleri, kullanımları için büyük bir sorundur. Bu nedenle, makine görme tabanlı gibi daha uygun fiyatlı sistemler, robotik endüstrisine değerli bir katkı olabilir. Bu tezde, robotik talaşlı imalat için bir makine görmesi tabanlı poz kestirim sistemi geliştirilmiş ve Levenberg-Marquardt (LM) algoritması ile kestirilen pozun doğruluğu, üç ayrı gözetimli öğrenme yaklaşımı kullanılarak iyileştirilmiştir. Bu yaklaşımlar hem yüksüz yörünge izleme hem de talaşlı imalat süreci sırasında kestirilen pozun doğruluğunu iyileştirebilir. Önerilen ilk yöntem LSTM sinir ağına dayalıdır ve diğer ikisi seyrek regresyona dayalıdır. Bu tezdeki önerilen seyrek regresyona dayalı algoritmalar SINS ve SNFIR olarak adlandırılmıştır. Hem LSTM hem de SNFIR algoritmaları, kestirilen pozun doğruluğunu iyileştirmek için her bir eklemdeki sensörlerden gelen tork bilgilerini kullanarak robotik işleme sırasında oluşan dinamikleri hesaba katabilir. SINS algoritması, yüksüz yörünge takibi sırasın- da doğrusal olmayan statik işlevlerin kullanımı yoluyla kestirilen pozun doğruluğunu iyileştirmek için kullanılabilir. Önerilen yöntemler, bir KUKA KR240 R2900 ultra robot kullanılarak, ISO 9283'e dayalı on altı farklı yörünge ve iki farklı talaşlı imalat sürecinde kullanılarak gerçekleştirilen deneysel bir çalışma ile doğrulanmıştır. Talaşlı imalat, kesme takımının oryantasyonunun sabitlendiği bir NAS 979 parçasının frezelemesi sırasında ve kesme takımının oryantasyonunun sürekli değiştiği serbest biçim frezeleme sırasında gerçekleştirildi. Ek olarak, kamera tarafından takip edilecek bir hedef nesne, her yönden ± 90° izlenebilirliği garantilemek için işaretler ile tasarlanmıştır. Bu işaretlerin tasarımı, herhangi bir görünümden en az iki farklı paralel olmayan işaretin algılanmasını garanti eder, böylece poz kestirimi belirsizliklerini önler. Ayrıca, kamera hedefinin inşası ve üzerine işaretlerin yerleştirilmesinden kaynaklanan insan hatalarını azaltmak için bu çalışma, bir lazer izleyici kullanarak nesne koordinat sisteminde işaretlerin köşelerinin konumlarını optimize etmek için bir yöntem önermektedir. Önerilen yöntemler, EKF ile karşılaştırıldı ve deneysel sonuçlar, önerilen yaklaşımların robotik talaşlı imalat sürecinde makine görme tabanlı kestirilen pozun doğruluğunu ve hassasiyetini önemli ölçüde iyileştirdiğini ve EKF yaklaşımından çok daha etkili olduğunu gösteriyor. Ayrıca, seyrek regresyona dayalı önerilen yöntemler, önerilen LSTM tabanlı yaklaşımla karşılaştırıldığında daha basit modeller ve daha iyi sonuçlar vermektedir.
dc.description.abstractVision based learning techniques have become increasingly important in recent years for the development of highly accurate and robust algorithms in various fields of industry. Some of the most important applications of machine vision and learning in industry are structural health monitoring (SHM) and industrial robotics. SHM has been a critical technology in monitoring the structural integrity of composite materials used in aerospace industry. Since airframes operate under continuous external loads, they are exposed to large deformations that may adversely affect their structural integrity. Therefore, critical components such as wings should be continuously monitored to ensure a long service life. In this thesis, a realtime SHM system is developed for airframe structures to localize and estimate the magnitude of the loads causing deflections to the wings. To this end, a framework based on artificial neural networks (ANN) is developed where features extracted from a depth camera are utilized. The localization of the load is treated as a multinomial logistic classification problem and the load magnitude estimation as a logistic regression problem. The neural networks trained for classification and regression are preceded with an autoencoder (AE), through which data at a much smaller scale are extracted from the depth images. The effectiveness of the proposed method is validated by an experimental study performed on a composite UAV wing subject to concentrated and distributed loads, and the results obtained by the proposed method are superior when compared with a method based on Castigliano's theorem.As for industrial robots, they are poised to replace CNC machines in the near future due to their lower price, high degree of automation and larger working space. However, their relatively low accuracy is a hindrance in their wide deployment in the manufacturing industry. Laser trackers are known to significantly increase their accuracy for manipulation tasks, however their high cost is a major problem for their usage. Therefore, more affordable solutions such as machine vision systems can become a valuable addition to the robotics industry. In this thesis an eye to hand camera based pose estimation system is developed for robotic machining and the accuracy of the estimated pose obtained through the Levenberg-Marquardt (LM) algorithm is improved using three supervised learning approaches. These approaches can enhance the estimated pose during both no-load trajectory tracking and machining process. The first proposed method is based on a Long Short Term Memory (LSTM) neural network and the other two are based on sparse regression and they are named as Sparse Identification of Nonlinear Statics (SINS) and Sparse Nonlinear Finite Impulse Response (SNFIR). Both of the LSTM and SNFIR algorithms can take the dynamics into account during robotic machining through utilization of the torque information available from the sensors at each joint to improve the estimated pose. The SINS algorithm can be used to improve the estimated pose through utilization of nonlinear static functions during no-load trajectory tracking. The proposed methods are validated by an experimental study performed using a KUKA KR240 R2900 ultra robot while following sixteen distinct trajectories based on ISO 9283 in addition to two distinct machining processes. The machining was performed while milling a NAS 979 part during which the orientation of the cutting tool was fixed, and free form milling, during which the orientation of the cutting tool continuously changed. Additionally, a target object to be tracked by the camera was designed with fiducial markers to guarantee trackability with ± 90° in all directions. The design of these fiducial markers guarantee the detection of at least two distinct non-parallel markers from any view, thus preventing pose estimation ambiguities. Moreover, in order to reduce the human errors due to the construction of the camera target and placement of the markers on it, this work proposes a method for optimizing the positions of the corners of the fiducial markers in the object frame using a laser tracker. The proposed methods were compared with an Extended Kalman Filter (EKF) and the experimental results show that the proposed approaches significantly improve the pose estimation accuracy and precision of the vision based system during robotic machining while proving much more effective than the EKF approach. Moreover, the proposed methods based on sparse regression provide parsimonious models and better results when compared with the proposed LSTM based approach.en_US
dc.languageEnglish
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectMekatronik Mühendisliğitr_TR
dc.subjectMechatronics Engineeringen_US
dc.titleDeveloping learning algorithms for enhancing industrial machine vision systems and improving task accuracy of robotic manipulators
dc.title.alternativeEndüstriyel yapay görme sistemlerini iyileştirmek ve robotik manipülatörlerin görev doğruluğunu artırmak için öğrenme algoritmalarının geliştirilmesi
dc.typedoctoralThesis
dc.date.updated2021-11-02
dc.contributor.departmentMekatronik Mühendisliği Ana Bilim Dalı
dc.subject.ytmIndustrial robots
dc.subject.ytmMachine vision
dc.subject.ytmMachine learning
dc.identifier.yokid10264464
dc.publisher.instituteMühendislik ve Fen Bilimleri Enstitüsü
dc.publisher.universitySABANCI ÜNİVERSİTESİ
dc.identifier.thesisid680376
dc.description.pages136
dc.publisher.disciplineDiğer


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess