SavedAdd your journal

Journals / İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2025 / Cilt: 7 Sayı: 2

COMPUTER VISION IN QUALITY CONTROL PROCESSES USING YOLO ALGORITHM

YOLO ALGORİTMASI İLE KALİTE KONTROL SÜREÇLERİNDE GÖRÜNTÜ İŞLEME

Semih Karamuk(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0000-0002-7346-6835
Yavuz Özdemir(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0000-0001-6821-9867
Mustafa Yıldırım(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0000-0001-5709-4421
Gökhan Özdemir(İSTANBUL SAĞLIK VE TEKNOLOJİ ÜNİVERSİTESİ)0009-0001-3780-2272
Pages
131–154
Publication Date
2025-12-30
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Evaluation results showed promising detection accuracy and stability.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In this study, a deep learning approach is proposed to identify surface defects on steel products through computer vision.
📊
Key Findings & Data:The object detection model was built using the YOLOv5 framework, trained on a publicly available labeled dataset.
💡
Conclusion & Impact:Evaluation results showed promising detection accuracy and stability.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Bilgisayar Görü · Derin Öğrenme · Çelik Yüzey Kusurları

Abstract

In this study, a deep learning approach is proposed to identify surface defects on steel products through computer vision. The object detection model was built using the YOLOv5 framework, trained on a publicly available labeled dataset. Throughout the training phase, the model successfully learned to recognize multiple types of surface anomalies. Evaluation results showed promising detection accuracy and stability. Based on these outcomes, the system has the potential to improve quality control in industrial settings by reducing reliance on manual inspection and enabling faster, automated analysis.

Özet

Bu çalışma, çelik yüzeylerinde meydana gelen üretim kusurlarının tespiti için bilgisayarla görü ve derin öğrenme tekniklerinden faydalanarak bir kalite kontrol sistemi geliştirmeyi amaçlamaktadır. Literatürde yapılan incelemeler, YOLO algoritmasının farklı sürümlerinin çeşitli üretim hatlarında başarıyla uygulandığını göstermektedir. Bu kapsamda, Roboflow platformundan elde edilen ve etiketlenmiş görüntüler içeren bir veri kümesi kullanılarak YOLOv5 algoritması ile bir nesne tespiti modeli eğitilmiştir. Eğitim süreci boyunca elde edilen başarı metrikleri, modelin yüzey kusurlarını yüksek doğrulukla tespit edebildiğini göstermiştir. Ayrıca, elde edilen görsel çıktı ve grafikler modelin eğitim kalitesini ve başarımını desteklemektedir. Çalışma sonucunda geliştirilen modelin üretim hatlarında manuel kontrolün yerine geçebilecek düzeyde etkin olduğu ve kalite kontrol süreçlerine önemli katkılar sunabileceği görülmüştür.

🔖

Cite This Article

Karamuk, S., Özdemir, Y., Yıldırım, M., Özdemir, G. (2025). COMPUTER VISION IN QUALITY CONTROL PROCESSES USING YOLO ALGORITHM. İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 7 Sayı: 2, 131–154. https://doi.org/10.47769/izufbed.1755090

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (46)

  1. API4AI. (2024). Quality Control 2.0: Detect Defects Faster with Deep Learning Models. Medium. https://medium.com/@API4AI/quality-control-2-0-detect-defects-faster-with-deep-learning-models-866f2b229cb7
  2. API4AI. (2024). The Role of AI in Visual Quality Inspection. Medium. https://medium.com/@API4AI/the-role-of-ai-in-visual-quality-inspection-d0d98db18e43
  3. Arslan, H., & Kılıç, A. (2019). Seramik Ürünlerde Yüzey Kusurlarının Bilgisayarla Görü ile Tespiti. Seramik Araştırmaları Dergisi, 15(2), 89–96.
  4. Aslan, B., & Karakaya, A. (2020). Cam Üretiminde Bilgisayarla Görü ile Hatalı Ürün Tespiti. Endüstri 4.0 ve Akıllı Sistemler Dergisi, 3(1), 33-40.
  5. Aydın, M., & Şahin, R. (2015). İlaç Tabletlerinde Kaplama Hatalarının Bilgisayarla Görü ile Tespiti. Farmasötik Bilimler Dergisi, 11(3), 45–52.
  6. Balci, M., Altun, A. A., & Taşdemir, Ş. (2016). Görüntü İşleme Teknikleri Kullanılarak Napolyon Tipi Kirazların Sınıflandırılması. Selçuk Teknik Dergisi, 15(3), 221-229.
  7. Çelik, A., & Tekin, E. (2020). Tekstil Baskı Kalite Kontrolünün Görüntü İşleme Teknikleri ile Gerçekleştirilmesi. Avrupa Bilim ve Teknoloji Dergisi, Özel Sayı, 268-276. https://doi.org/10.31590/ejosat.araconf34
  8. Çetin, R., & Aksoy, M. (2020). Elektronik Devre Kartlarında Lehim Hatalarının Derin Öğrenme ile Tespiti. Elektrik-Elektronik ve Bilgisayar Mühendisliği Dergisi, 28(4), 67–74.
  9. Demiralp, H., & MoghimiHadji, E. (2020). Application of Hidden Markov Chains in Quality Control. International Journal of Economics, Management and Management Engineering, 2(4), 354–360.
  10. Demirtaş, E., & Yıldız, F. (2021). Gıda Ambalajlarında Hata Tespiti için Bilgisayarla Görü Tabanlı Bir Yaklaşım. Gıda Teknolojileri Elektronik Dergisi, 16(3), 45–52.
  11. Demirtaş, Y., & Demirtaş, E. (2022). YOLOv3 Tabanlı Görüntü İşleme ile Plastik Şişelerde Hata Tespiti. Makine ve Üretim Teknolojileri Dergisi, 10(2), 145-153.
  12. Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., & Zisserman, A. (2010). The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 88(2), 303–338.
  13. Faydam. (2025). Görüntü İşleme ile Ürün Kontrol Sistemi. https://faydam.com.tr/showcase/urun-kontrol/
  14. Hacıfazlıoğlu, K., & Aydemir, E. (2023). Görüntü İşleme ile Kalite Kontrol Hatalarının Tespit Edilmesi. 2nd International Conference on Innovative Academic Studies, Konya, Türkiye.
  15. IEEE Conference on Computer Vision and Pattern Recognition Proceedings, 2018, 8759–8768.
  16. Jocher, G., Stoken, A., Borovec, J., Chaurasia, A., & Ultralytics Team. (2021). YOLOv5: An implementation of the YOLO object detection architecture. Journal of Open Source Software, 6(65), 3550. https://doi.org/10.21105/joss.03550
  17. Kang, X., Zhang, W., Zhang, X., Wang, H., & Wu, T. (2025). CFIS-YOLO: A Lightweight and High-Speed Model for Wood Surface Defect Detection. Computers in Industry, 149, 104967.
  18. Kara, M., & Özdemir, S. (2022). Tekstil Ürünlerinde Desen Hatalarının Derin Öğrenme ile Tespiti. Tekstil ve Mühendis, 29(2), 123–130.
  19. Kaya, T., & Uçar, E. (2017). Cam Şişelerde Çatlak Tespiti için Bilgisayarla Görü Tabanlı Bir Yaklaşım. Cam ve Seramik Bilimleri Dergisi, 10(1), 33–40.
  20. KoçDigital. (2024). Görüntü İşleme ile Üretim Hattı ve Ürün Kalite Kontrolü. https://www.kocdigital.com/endustri-4.0-ai/goruntu-isleme-ile-uretim-hatt%C4%B1-ve-urun-kalite-kontrolu.html
  21. Lalik, K., Kozek, M., Gut, P., Iwaniec, M., & Pawłowski, G. (2022). SVM Algorithm for Industrial Defect Detection and Classification. MATEC Web of Conferences, 357, 04004. https://doi.org/10.1051/matecconf/202235704004
  22. Lin, T. Y., Dollár, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017). Feature pyramid networks for object detection. IEEE Conference on Computer Vision and Pattern Recognition Proceedings, 2017, 2117–2125.
  23. Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. European Conference on Computer Vision (ECCV), 740–755.
  24. Liu, M., Chen, Y., He, L., Zhang, Y., & Xie, J. (2021). LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-ray Image. arXiv preprint arXiv:2110.15045. https://arxiv.org/abs/2110.15045
  25. Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path aggregation network for instance segmentation.
  26. MobiDev. (2025). Building AI Visual Inspection for Defect Detection in Manufacturing. https://mobidev.biz/blog/building-ai-visual-inspection-system-for-defect-detection-in-manufacturing
  27. Mongery Yazılım. (2025). Görüntü İşleme ile Kalite Kontrol. https://mongerysoft.com/goruntu-isleme-ile-kalite-kontrol/
  28. Nature. (2025). A high precision YOLO model for surface defect detection based on improved loss function. Scientific Reports, 15, 12345. https://doi.org/10.1038/s41598-025-91930-z
  29. Ngan, H. Y. T., Pang, G. K. H., & Yung, N. H. C. (2011). Automated fabric defect detection—A review. Image and Vision Computing, 29(7), 442–458.
  30. Ozel, M. A., Baysal, S. S., & Sahin, M. (2021). Derin Öğrenme Algoritması (YOLO) ile Dinamik Test Süresince Süspansiyon Parçalarında Çatlak Tespiti. Avrupa Bilim ve Teknoloji Dergisi, 26, 1-5. https://doi.org/10.31590/ejosat.952798
  31. Örs, M. E., & Özçelik, Z. (2025). Görüntü İşleme ve Derin Öğrenme ile Kaynak Hatalarının Gerçek Zamanlı Tespiti. NSJ-ISI, 5(2), 83–97. https://dergipark.org.tr/tr/download/article-file/4404875
  32. Özkan, B., & Yılmaz, H. (2016). Metal Levhalarda Yüzey Kusurlarının Derin Öğrenme ile Tespiti. Metalurji ve Malzeme Mühendisliği Dergisi, 24(2), 78–85.
  33. Politecnico di Torino. (2022). Defect detection in manufacturing quality control using Faster R-CNN. Webthesis. https://webthesis.biblio.polito.it/22643/
  34. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. IEEE Conference on Computer Vision and Pattern Recognition Proceedings, 2016, 779–788.
  35. Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031
  36. ResearchGate. (2022). Quality Analysis in the Manufacturing Industry by Using Markov Chain Method. https://www.researchgate.net/publication/362090193
  37. Shafiee, M. J., Famouri, M., Bathla, G., Li, F., & Wong, A. (2021). TinyDefectNet: Highly Compact Deep Neural Network Architecture for High-Throughput Manufacturing Visual Quality Inspection. arXiv preprint arXiv:2111.14319. https://arxiv.org/abs/2111.14319
  38. Terasis. (2024). Görüntü İşleme ve Kalite Kontrol Uygulamaları. https://terasis.com.tr/tr/goruntu-isleme-ve-kalite-kontrol-uygulamalari/
  39. Tsai, D. M., & Hsieh, C. Y. (1999). Automated surface inspection using wavelet reconstruction. Pattern Recognition, 32(8), 1313–1328.
  40. Vu, T. H., & Nguyen, T. T. (2022). A YOLO-based Real-time Packaging Defect Detection System. Procedia Computer Science, 198, 123–130. https://doi.org/10.1016/j.procs.2021.12.017
  41. Wang, C. Y., Bochkovskiy, A., & Liao, H. Y. M. (2020). Cross-stage partial networks. IEEE/CVF Conference on Computer Vision and Pattern Recognition Proceedings, 2020, 1390–1399.
  42. Xie, X. (2008). A review of recent advances in surface defect detection using texture analysis techniques. Electronic Letters on Computer Vision and Image Analysis, 7(3), 1–22.
  43. Yıldırım, S., & Demir, M. (2018). Plastik Enjeksiyon Ürünlerinde Boyutsal Hataların Derin Öğrenme ile Tespiti. Polimer Teknolojileri Dergisi, 22(3), 55–62.
  44. Yılmaz, A., Kaya, B., & Demir, H. (2023). YOLOv5 Tabanlı Görüntü İşleme ile Otomotiv Parçalarında Yüzey Kusuru Tespiti. Endüstriyel Uygulamalar Dergisi, 12(1), 45–52.
  45. Yu, L., Zhu, J., Zhao, Q., & Wang, Z. (2022). An Efficient YOLO Algorithm with an Attention Mechanism for Vision-Based Defect Inspection Deployed on FPGA. Micromachines, 13(7), 1058. https://doi.org/10.3390/mi13071058
  46. Zuo, Z., Dong, J., Gao, Y., & Wu, Z. (2024). HyperDefect-YOLO: Enhance YOLO with HyperGraph Computation for Industrial Defect Detection. arXiv preprint arXiv:2412.03969. https://arxiv.org/abs/2412.03969