HU MOMENTLERI İLE GÖRÜNTÜ İŞLEME TABANLI GÖMLEK BOYUT TESPITI

This study proposes a hybrid classification model for the automatic detection of shirt sizes in textile quality control processes. The model integrates Hu moment-based numerical features with a convolutional neural network (CNN) architecture, combining the interpretability of traditional image processing with the classification performance of deep learning methods. The proposed CNN+Hu moments approach was trained and tested on a controlled dataset comprising various shirt size categories (XXS, XS, S, M, L, XL). Experimental results demonstrate that the hybrid model significantly outperforms classical machine learning algorithms such as Support Vector Machines (SVM) and KDTree in terms of accuracy and robustness. With its low cost, explainability, and effectiveness, this approach offers a new dimension to quality control systems in the textile industry.

Bu çalışma, tekstil sektöründeki kalite kontrol süreçlerinde, gömlek boyutlarının otomatik olarak tespiti için hibrit bir sınıflandırma modeli önermektedir. Model, Hu moment tabanlı sayısal özelliklerin evrişimsel sinir ağı (CNN) yapısıyla bütünleştirilmesiyle oluşturulmuştur. Bu sayede hem geleneksel görüntü işleme temelli açıklanabilirlik sağlanmış hem de derin öğrenme yöntemlerinin sınıflandırma başarımı elde edilmiştir. Geliştirilen model, kontrollü bir veri kümesinde uygulanarak farklı beden grupları (XXS, XS, S, M, L, XL) üzerinde test edilmiştir. Elde edilen sonuçlar, önerilen CNN+Hu moment hibrit yaklaşımının, klasik makine öğrenmesi algoritmalarına (SVM, KDTree) kıyasla daha yüksek doğruluk ve kararlılık sunduğunu göstermektedir. Bu yönüyle çalışma, kalite kontrol süreçlerine yeni bir boyut kazandırmakta ve tekstil sektörüne yönelik düşük maliyetli, açıklanabilir ve etkin bir çözüm sunmaktadır.