Railway bears a significant share in transportation and freight. Recent success in rapidly developing high-speed train projects and human demands show how important safe and high-speed railway transportation is. Having results by processing image with an intelligent system is commonly used today in many areas. When certain defects are detected rapidly at production stage, a smooth and rapid operation will be achieved that hasn't been affected by damages due to defected part entering the market. Also, by determining the defected material factor, a solution is put forward and thus defected product manufacturing is avoided. Defected product manufacturing is encountered in many areas but it is also an undesired case by manufacturers. Defect detection on products manufactured in such sectors as industry, construction, highways, ceramic and porcelain, medical and textile sectors is conducted at quality control stage. Determining the defects on image by image processing is one of the defect detection methods. In this study, image processing applied in rail and profile in rolling mills will fill in a significant gap in this area. Applicibility of Hough Transform, MSER, DFT, WaterShed, Blob Detection and l0 normalizing image processing algorithms were investigated and COLMSTD (Column Mean and Standard Deviation) algorithm was developed.Because image processing is pixel-based, it causes a lot of workload. In cases of a lot of workload, parallel image processing can be used especially in rel-time applications. In this study, COLMSTD algorithm working column-based and line-based was applied. The developed algorithm was collimated to achieve rapid defected area detection and separation of defected image with CUDA interface support on GPU. The results showed that the system could be used in rolling mill environment.

Demir yolları ulaşımda ve taşımacılıkta çok önemli bir paya sahiptir. Son yıllarda hızla gelişen yüksek hızlı tren projelerinde elde edilen başarı ve insanların talepleri güvenli ve hızlı raylı ulaşımın ne kadar önemli bir yere sahip olduğunu göstermektedir. Akıllı bir sistem tarafından görüntü işlenerek sonuç elde etmek, günümüzde birçok alanda yaygın kullanılmaktadır. Bazı kusurlar üretim aşamasında hızlıca tespit edildiğinde kusurlu parçanın piyasaya girmesinden doğan zararlardan etkilenmemiş, akıcı ve hızlı işleyiş gerçekleşmiş olur. Ayrıca kusurlu malzeme etkeni tespit edilerek çözüm oluşturulmakta ve sonraki süreçte kusurlu ürün üretimi engellenmektedir. Kusurlu ürün üretimi birçok alanda karşılaşılan ve üreticiler tarafından da istenmeyen bir durumdur. Sanayi sektörü başta olmak üzere inşaat sektöründe, kara yollarında, seramik ve porselen sektöründe, sağlık sektöründe, tekstil sektöründe üretilen malzeme üzerindeki kusur tespiti, kalite kontrol aşamasında yapılmaktadır. Görüntü işleyerek malzeme üzerindeki kusurların tespit edilmesi, kusur tespit yöntemlerinden bir tanesidir. Bu çalışmada; görüntü işleme ile kusur tespiti yöntemi, haddehanelerdeki ray ve profil üretiminde uygulanarak, bu alanda önemli bir eksikliği giderecektir. Bu çalışmada Hough Transform, MSER, DFT, WaterShed, Blob Detection ve l0 normalleştirme görüntü işlem algoritmalarının bu probleme uygulanabilirliği incelenmiş ve COLMSTD (Column Mean and Standard Deviation) algoritması geliştirilmiştir.Görüntü işleme, piksel temelli yapıldığından dolayı çok iş yükü oluşturmaktadır. İş yükünün fazla olması durumlarında paralel görüntü işleme özellikle gerçek zamanlı uygulamalarda gerçekçi bir çözüm oluşturabilmektedir.Bu çalışmada; sütun temelli ve satır temelli çalışma temeline dayanan COLMSTD algoritması uygulanmıştır. Geliştirilen algoritma paralelleştirilerek, GPU üzerinde, CUDA arayüz desteğiyle, hızlı bir şekilde kusurlu bölge tespiti ve kusurlu görüntü ayrıştırılması gerçekleştirilmiştir. Elde edilen sonuçlar sistemin haddehane ortamında uygulanabilir olduğunu göstermektedir.