The production of ammunition is one of the important production lines of the defense industry. Each of the ammunition of light firearms is called a cartridge. Cartridge case production is a stage of cartridge production and cases which are defected in the case production stage are separated and removed from the production line. The subject of this study is to detect defect errors in real-time and to extract faulty casings from production line. The use of automation systems in industry is increasing. In computer vision, decision making is performed automatically by using image processing techniques. The presence of defected parts is one of the industrial applications of computer vision. In this study, a system has been developed for automatic determination and removal of defected casings. Image processing techniques are used to detect defects. In real-time system, it is necessary to determine the defects of the different parts of case which are mouth, capsule and surface. For this purpose, a total of 10 images are taken for each case, one mouth, one capsule and eight surfaces. Algorithms have been developed and run on the system to detect different defects for detection of case defects in these images. Since the capacity of the case inspection system is targeted at 300 cases per minute, all operations related to a case should be completed within 200 ms. Parallel programming techniques have been used to reduce the processing time due to the high number of images received and the targeted speed. In order to operate the automatic case inspection system in real time, a hybrid system has been proposed that uses both CPU cores and GPU's processing power. OpenMP is used in parallel operation of CPU cores and CUDA platform is used in parallel operation of GPU cores. The hybrid system has been developed that uses the power of both the CPU and the GPU. The algorithm for detecting case defects was completed in 583 ms by using serial algorithms and 99 ms by using parallel algorithms. The processing time of each case, for developed parallel algorithms for determination and removal of defective casing, was improved by 5.9 times compared to the those of series algorithm.

Mühimmat üretimi savunma sanayinin önemli üretim kollarından biridir. Hafif ateşli silahların mühimmatının her birine fişek adı verilir. Kovan üretimi fişek üretiminin bir aşamasıdır ve kovan üretim aşamasında hatalı olan kovanlar ayrılarak üretim bandından çıkarılmaktadır. Bu çalışmanın konusu kovan hatalarını gerçek zamanlı olarak tespit ederek, hatalı kovanları üretim bandından ayıklamaktır. Endüstride otomasyon sistemlerinin kullanımı giderek artmaktadır. Bilgisayarlı görmede görüntü işleme teknikleri kullanılarak karar verme işlemi otomatik olarak yapılmaktadır. Hatalı parçaların bulunması bilgisayarlı görmenin endüstride kullanım alanlarından birisidir. Bu çalışmada hatalı kovanların otomatik olarak ayıklanmasını sağlayan bir sistem geliştirilmiştir. Hataların tespit edilmesinde görüntü işleme teknikleri kullanılmıştır. Gerçekleştirilen sistemde gerçek zamanlı olarak kovanın ağız, kapsül ve yan yüzey olmak üzere farklı bölgelerindeki hataları tespit edilmektedir. Bunun için her bir kovandan bir adet ağız, bir adet kapsül ve sekiz adet yan yüzey olmak üzere toplam 10 adet görüntü alınmaktadır. Bu görüntülerde kovan hatalarının tespit edilmesi için farklı hataların tespiti amacıyla algoritmalar geliştirilmiş ve gerçekleştirilen sistem üzerinde çalıştırılmıştır. Gerçekleştirilen kovan muayene sisteminin kapasitesi dakikada 300 kovan olarak hedeflendiğinden 200 ms'lik süre içerisinde bir kovan ile ilgili tüm işlemlerin tamamlanması gerekmektedir. Alınan görüntü sayısının fazla olması ve hedeflenen hız nedeniyle işlem zamanının kısaltılması için paralel programlama teknikleri kullanılmıştır. Otomatik kovan muayene sisteminin gerçek zamanlı olarak çalıştırılması amacıyla hem CPU çekirdeklerini hem de GPU'nun işlem gücünü kullanan hibrit bir sistem önerilmiştir. CPU çekirdeklerinin paralel çalıştırılmasında OpenMP, GPU çekirdeklerinin paralel çalıştırılmasında ise CUDA platformu kullanılmıştır. Böylece hem CPU'nun hem de GPU'nun gücünü kullanan hibrit bir sistem geliştirilmiştir. Kovan hatalarını bulma algoritması seri algoritmalarla 583 ms'de tamamlanırken, paralelleştirilmiş algoritmalarla 99 ms'de tamamlanmıştır. Hata ayıklama için geliştirilmiş ve paralelleştirilmiş algoritmalarla her bir kovanın işlem süresi seriye göre 5,9 kat hızlandırılmıştır.