Quality control in the industry is becoming increasingly important as a result of increasing market competition and the need for quality products. The increasing complexity of industrial processes and the increase in the amount of data available have promoted the development of intelligent systems for automated error prediction/detection, mainly based on Industry 4.0 technologies and especially deep learning methodologies. Therefore, deep learning has an important position for quality control processes. In this study, we propose an intelligent error/fault detection system that will use the Faster Region-based Convolutional Neural Network (Faster R-CNN) and integrates deep neural networks with the particle swarm optimization (PSO) to self-tune the system hyperparameters and improve its performance. The model will be evaluated on different performance metrics such as accuracy, recall, precision, false alarm rate, false negative rate, F1 score and error rate. Finally, the mean average precision of the proposed PSO based Faster R-CNN model is 97.96%. The experimental results illustrated that the PSO based Faster R-CNN has a good accuracy and fast detection ability by a large margin. In conclusion, it can be inferred that the hyperparameter optimization in fault detection systems based on DL model has the high importance and effects.

Keywords - Deep learning, Fault Detection Systems, Particle Swarm Optimization, Hyperparameter optimization

[1] Javaid, M., Haleem, A., Singh, R. P., Suman, R., & Gonzalez, E. S. (2022). Understanding the adoption of Industry 4.0 technologies in improving environmental sustainability. Sustainable Operations and Computers, 3, 203–217. http://dx.doi.org/ 10.1016/j.susoc.2022.01.008.

[2] Guo, D., Ling, S., Rong, Y., & Huang, G. Q. (2022). Towards synchronizationoriented manufacturing planning and control for industry 4.0 and beyond. IFAC-PapersOnLine, 55(2), 163–168. http://dx.doi.org/10.1016/j.ifacol.2022.04. 187.

[3] Ahmad, H. M., & Rahimi, A. (2022). Deep learning methods for object detection in smart manufacturing: A survey. Journal of Manufacturing Systems, 64, 181–196. http://dx.doi.org/10.1016/j.jmsy.2022.06.011.

[4] Erden E, Demir İE, Kökçam AH. "Hiper Parametre Optimizasyonu ile Makine Kaldırma Modeli Performansının Artırılması", 2023

[5] M. Choraś ve M. Pawlicki, "Optimize edilmiş yapay sinir ağına dayalı hata tespit yaklaşımı", Neurocomputing,vol. 452, pp.705-715, Sep., 2021

[6] Galindo-Salcedo, M., Pertúz-Moreno, A., Guzmán-Castillo, S., Gómez-Charris, Y. ve Romero-Conrado, A. R. (2022). Denetim ve kalite güvence süreçleri için akıllı üretim uygulamaları. Procedia Bilgisayar Bilimi, 198, 536–541. http: dx.doi.org/10.1016/j.procs.2021.12.282.

[7] Chen, M., Yu, L., Zhi, C., Güneş, R., Zhu, S., Gao, Z., Ke, Z., Zhu, M., & Zhang, Y. (2022). Genetik algoritma optimizasyonuna sahip gabor filtresine dayalı kumaş kusur tespiti için geliştirilmiş daha hızlı R-CNN. Endüstride Bilgisayarlar, 134, Madde 103551. http://dx.doi.org/10.1016/j.compind.2021.103551.

[8] Rožanec, J. M., Zajec, P., Trajkova, E., Šircelj, B., Brecelj, B., Novalija, I., Dam, P., Fortuna, B., & Mladenić, D. (2022). Endüstri 4.0* için kapsamlı bir görsel kalite kontrolüne doğru. IFAC-PapersOnLine, 55(10), 690–695. http://dx.doi. org/10.1016/j.ifacol.2022.09.486.

[9] Lu, L., Hou, J., Yuan, S., Yao, X., Li, Y. ve Zhu, J. (2023). Sürekli elyaf takviyeli polimer kompozitlerin eklemeli üretimi için derin öğrenme destekli gerçek zamanlı kusur tespiti ve kapalı döngü ayarı. Robotik ve Bilgisayarla Bütünleşik İmalat, 79, Madde 102431. http://dx.doi.org/10.1016/j.rcim.2022.102431.

[10] Li, W., Zhang, H., Wang, G., Xiong, G., Zhao, M., Li, G. ve Li, R. (2023). Tel ve ark eklemeli imalat için derin öğrenme tabanlı çevrimiçi metalik yüzey kusur tespit yöntemi. Robotik ve Bilgisayarla Bütünleşik İmalat, 80, Madde 102470. http://dx.doi.org/10.1016/j.rcim.2022.102470.

[11] Zhang, Y. ve Zhao, Y. F. (2022). Lazer toz yatağı füzyon süreçlerinin görsel kusurlarının üretilebilirliğini tahmin etmek için hibrit seyrek evrişimli sinir ağları. Üretim Sistemleri Dergisi, 62, 835–845. http://dx.doi.org/10.1016/j.jmsy. 2021.07.002. 2021.

[12] Kunang, Y.N., Nurmaini, S., Stiawan, D., & Suprapto, B.Y. (2021). Derin öğrenme ve hiper parametre optimizasyonu kullanarak bir hata tespit sisteminin hata sınıflandırması. Bilgi Güvenliği ve Uygulamaları Dergisi, 58, Makale 102804. http://dx.doi.org/10.1016/j.jisa.2021.102804.

[13] J. Gu, Z. Wang, J. Kuen, L. Ma,, A. Shahroudy, B. Shuai, T. Liu, X. Wang, G. Wang, J. Cai, T. Chen, "Evrişimli sinir ağlarında son gelişmeler", Örüntü Tanıma, cilt.77, ss.354-377, Mayıs, 2018.

[14] Y. Shi, "Parçacık sürüsü optimizasyonu: gelişmeler, uygulamalar ve kaynaklar", 2001 evrimsel hesaplama kongresi bildirileri, 2001, s. 81-86).

[15] Z. Vujović, "Sınıflandırma modeli değerlendirme metrikleri", Uluslararası İleri Bilgisayar Bilimi ve Uygulamaları Dergisi, cilt 12(6), s. 599-606, 2021.

[16] J. Jose ve D. V. Jose, "CIC-IDS 2017 veri setini kullanarak nesnelerin internetinde hata tespit sistemleri için derin öğrenme algoritmaları", Uluslararası Elektrik ve Bilgisayar Mühendisliği Dergisi (IJECE), cilt 13(1), s. 1134-1141, 2023.

[17] A. Yulianto, P. Sukarno ve N. A. Suwastika, ''CIC IDS 2017 veri setinde AdaBoost tabanlı hata tespit sistemi (IDS) performansının iyileştirilmesi,'', Journal of Physics Conference Series, 2019.

[18] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Derin öğrenme. MIT Press, http: www.deeplearningbook.org.

[19] Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.

[20] Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE International Conference on Computer Vision (ICCV).

[21] Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV).