60 etkili bilgisayarlı görü uygulaması

Görseller ve videolar günümüzde karar alma süreçlerinde temel bir rol oynar. Yoğun yollarda gezinirken, çevrimiçi alışveriş yaparken, sosyal medyada gezinirken, hastaneleri ziyaret ederken ve hatta iş yönetirken görsel bilgilere güveniriz.

Görsel veriler, yaptığımız seçimlerin çoğunu etkileyen günlük yaşamın doğal bir parçası haline geldi. Makinelerin bu bilgiyi benzer bir şekilde anlaması için görsel içeriği görme ve yorumlama yeteneğine de ihtiyaçları vardır.

computer vision tam olarak burada fark yaratır. artificial intelligence (Yapay Zeka - AI) dalı olan computer vision, makinelerin görsel bilgileri yorumlamasını ve anlamlandırmasını sağlar.

Sadece ne olduğunu kaydetmek yerine, bilgisayarlı görü teknolojisi faydalı içgörüler elde etmek için görselleri analiz edebilir. Bilgisayarlı görü çözümleri nesneleri algılayabilir, hareketi takip edebilir ve öğeleri şekil, boyut veya renge göre sınıflandırabilir.

Basit bir örnek düşünelim. Bir mağaza müdürünün hangi rafların en hızlı tükendiğini belirlemek istediğini varsayalım. Bilgisayarlı görü sistemleri, eksik ürünleri tespit etmek ve hızlı satılan ürünleri vurgulamak için raf görsellerini analiz etmek amacıyla kullanılabilir. Bu, mağaza müdürlerinin zamanında stok yenilemesini mümkün kılar.

Bu tür sistemler, görsel verilerden nesneleri tanımak ve kalıpları belirlemek üzere veri setleriyle eğitilen computer vision modelleri tarafından yönlendirilir. Örneğin, Ultralytics YOLO26, gerçek zamanlı computer vision yetenekleri için tasarlanmış hızlı ve güvenilir bir vision modelidir.

Şekil 1. Şişeleri tespit etmek için kullanılan Ultralytics YOLO26. (Kaynak)

Bu makalede 60 etkili bilgisayarlı görü uygulamasını inceleyecek ve bunların farklı sektörlerde nasıl kullanıldığını göreceğiz. Hadi başlayalım!

Modern yapay zeka çağında bilgisayarlı görünün rolü#

Çeşitli bilgisayarlı görü uygulamalarına dalmadan önce, günümüzde bilgisayarlı görünün önemine kısaca bir göz atalım.

Yıllar boyunca görüntüleri veya videoları izlemek ve analiz etmek manuel bir süreçti. Bu manuel yaklaşım zaman alıcı, hataya açık ve tutarsızdı. Aslında araştırmalar, insan hatasının fabrika ortamlarındaki inspection-related issues neredeyse dörtte birini oluşturduğunu ve birçok sektörde karar alma sürecini yavaşlattığını gösteriyor.

Makine öğreniminin yükselişi ve bilgisayarlı görüdeki büyük ilerlemelerle işler değişti. Görü AI'nın merkezinde, modellerin ne gördüklerini anlamalarını sağlayan görüntü analizi yer alır.

Bu durum, küresel computer vision market büyüklüğünün 2032 yılına kadar yaklaşık 58 milyar dolara ulaşmasının öngörülmesiyle birlikte denetim, takip ve otomasyon gibi uygulamaların hızla benimsenmesine yol açmıştır.

Bu büyüme, bilgisayarlı görünün gerçek dünya uygulamalarına getirdiği değerden kaynaklanmaktadır. Görüntü ve video analizini otomatikleştirerek daha hızlı, daha doğru ve güvenilir sonuçlar sunar. Örneğin, yollar kazalar için izlenebilir. Benzer şekilde, çiftlikler mahsul sağlığını gerçek zamanlı olarak izleyebilirken, mağazalar hangi rafların önce boşaldığını takip edebilir.

Bu kullanım durumları, ekiplerin güvenilir verileri kullanarak daha hızlı hareket etmelerine ve daha iyi kararlar almalarına yardımcı olur. Bunu başarmak için bilgisayarlı görü, çok çeşitli uygulamaları mümkün kılan bir dizi temel göreve dayanır.

Temel bilgisayarlı görü görevleri#

Computer vision tasks, büyük veri setlerinden öğrenen ve bu bilgiyi canlı görüntülere uygulayan eğitilmiş computer vision modelleri tarafından desteklenir. Örneğin, YOLO26 gibi Ultralytics YOLO modelleri, gerçek zamanlı ortamlarda çeşitli görevleri destekler.

İşte çok çeşitli uygulamalarda kullanılan temel bilgisayarlı görü görevlerinden bazıları:

• Nesne algılama: Bir görsel veya video içindeki nesnelerin tanımlanmasını ve sınırlayıcı kutular kullanılarak konumlarının belirlenmesini içerir. Genellikle birçok bilgisayarlı görü uygulaması için başlangıç noktasıdır.
• Nesne takibi: Bir nesne algılandıktan sonra, bir görü modeli onu bir videodaki kareler boyunca takip etmeye devam edebilir. Bu, modellerin hareketi izlemesini ve anlamasını sağlar.
• Örnek bölümleme (Instance segmentation): Nesneleri arka plandan ayırarak veya onları kesin bölgelere bölerek bir adım daha ileri gider.
• Görüntü sınıflandırma: Bu görev, tüm bir görsele bir etiket atar. Araç tiplerini tanımlamak, olgun meyveyi olgunlaşmamış meyveden ayırmak veya üretim hattındaki farklı kusur türlerini sınıflandırmak için kullanılabilir.
• Poz tahmini (Pose estimation): Nesneler üzerindeki kilit noktaların, genellikle insanlar veya hayvanların konumunu ve yönünü tanımlar. Duruşu, hareketi ve etkileşimleri anlamak için spor analitiğinde, hasta izlemede ve robotikte yaygın olarak kullanılır.
• Yönelimli sınırlayıcı kutu algılama (OBB): Bu görev nesneleri algılar ve konumlarını ve dönüşlerini gösterir, bu da görsellerde veya videolarda açılı veya döndürülmüş nesneleri tanımlamak için yararlı hale getirir.

Şekil 2. Ultralytics YOLO26 tarafından desteklenen computer vision görevleri (Kaynak)

Sektörler genelinde 60 bilgisayarlı görü uygulamasını keşfetme#

Ardından, bilgisayarlı görünün perakende, üretim, sağlık, otomotiv ve tarım gibi sektörleri kapsayan çok çeşitli gerçek dünya kullanım durumlarında nasıl uygulandığını keşfedelim.

Görsel denetim yoluyla kestirimci bakım#

Fabrikalar aynı anda çalışan çok sayıda makineden oluşur ve hepsini göz önünde bulundurmak zor olabilir. Bilgisayarlı görü tabanlı kestirimci bakım sistemleri, ekipmanı sürekli olarak izlemek ve korozyon, sızıntı, yanlış hizalama ve yüzey aşınması gibi görsel belirtileri analiz etmek için kameralar kullanır. Arıza göstergelerini erken tespit ederek, bu görü odaklı sistemler ekiplerin bakımı proaktif bir şekilde planlamasına, planlanmamış duruş sürelerini azaltmasına, makine ömrünü uzatmasına ve daha güvenli, daha verimli endüstriyel operasyonlar sürdürmesine yardımcı olur.

Plaka algılama#

Bilgisayarlı görü teknolojisi ile plakaları algılayabilirsin. Bu sistemler genellikle bir aracın plakasını taramak ve harf ve sayıları çıkarmak için optik karakter tanıma (OCR) teknolojisi ile entegre edilir.

Bu, araçlar yollarda veya kontrol noktalarında hareket ederken onları tanımlamayı kolaylaştırır. Bu teknoloji genellikle trafik izleme, gişeler ve otopark sistemlerinde kullanılır. Ayrıca araç takibini otomatikleştirmek ve manuel kontrolleri azaltmak için konut veya ticari binaların giriş ve çıkış noktalarında da uygulanır.

Şüpheli davranış izleme#

Bilgisayarlı görü ile şüpheli insan davranışlarını izleyebilirsin. Her kamera beslemesini izlemek yerine, görü entegreli kameralar ve sensörler algılama ve takibe güvenir.

Faaliyetleri algılayabilir ve aylak aylak dolaşma, ani koşma veya kısıtlı alana erişim gibi anormallikleri işaretleyebilirler. Esas olarak kamusal alanlarda, perakende mağazalarında, ulaşım istasyonlarında ve yüksek güvenlikli alanlarda kullanılır ve şüpheli bir şey göründüğünde güvenlik ekiplerini hızlı bir şekilde yanıt vermeleri için uyarır.

Yangın ve duman algılama#

Yangın ve duman algılama, büyük bir olaydan önce erken uyarı sağlayabilir. Bu, bilgisayarlı görü modelleri sayesinde mümkün olmaktadır.

Bu modeller, havada sürünen duman, titreyen alevler veya olağandışı pus gibi görsel değişiklikleri sürekli olarak gözlemlemek için kullanılabilir. Yangın ve duman algılama, genellikle erken yangın tespitinin her şeyi değiştirebileceği depolarda, fabrikalarda, ormanlarda ve büyük binalarda kullanılır.

Şekil 3. YOLO kullanarak duman tespiti ve segmentasyonu (Kaynak)

Otonom araçlar#

Otonom araçlar genellikle sürekli hareketi yorumlamak için computer vision teknolojisine güvenir. Örneğin Tesla, görsel verileri işlemek ve şeritleri, trafik işaretlerini, yakındaki araçları ve insanları tespit etmek amacıyla otonom araçları için kameralar ve computer vision sistemleri kullanır. Vision tabanlı modeller, tespit, takip ve segmentasyon gibi görevleri destekleyerek aracın çevresini anlamasına ve kritik bilgilere öncelik vermesine yardımcı olur.

Yapay zeka grafiti algılama#

Graffiti detection, duvarlar, köprüler ve diğer kamu malları üzerindeki boyalı işaretleri belirlemek için computer vision kullanılarak yapılabilir. Akıllı sistemler, kalabalık şehir sahnelerinde bile grafitiyle eşleşen şekilleri, renkleri ve kalıpları tanımak için görüntüleri veya videoları tarayabilir.

Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, yeni işaretlemelerin gerçek zamanlı olarak işaretlenmesini sağlayarak grafitiyi tespit etmek için kullanılabilen nesne algılama ve görüntü sınıflandırmayı destekler. Akıllı şehirler, temizlikleri daha hızlı planlamak, alanları izlemek ve kamusal alanları korumak için YOLO26 destekli grafiti algılama çözümlerini kullanabilir.

Şehir bakımı#

Bir şehrin sorunsuz çalışmasını sağlamak her gün birçok bakım kontrolü gerektirir. Bilgisayarlı görü çözümleri, sokakları ve kamusal alanları izleyerek bunu değiştirebilir.

Örneğin Singapore, kentsel alanları korumak için vision AI kullanan girişimleriyle tanınır. Vision tabanlı sistemler sokakları, kamusal alanları ve altyapıyı izleyerek çukurlar, kırık tabelalar veya taşan çöp kutuları gibi sorunları tespit eder.

Kalabalık izleme#

Kalabalık izleme, insanların yoğun alanlarda nasıl hareket ettiğini ve toplandığını analiz etmeyi içerir. Görü algoritmasıyla entegre kameralar ve sensörler, kalabalık boyutunu tahmin etmek, hareket modellerini takip etmek ve ani değişiklikleri algılamak için canlı video beslemelerini işleyebilir.

Bu, darboğazları, aşırı kalabalığı veya olağandışı etkinlikleri sorun haline gelmeden önce tanımlamaya yardımcı olur. Kalabalık izleme; tren istasyonları, stadyumlar, halka açık etkinlikler ve şehir merkezleri gibi yerlerde değerlidir.

Şekil 4. Kalabalık yönetimi ve insan sayımı için YOLO kullanımı (Kaynak)

Hırsızlık algılama#

Hırsızlık algılamada, bilgisayarlı görü teknolojisi şüpheli etkinlikleri tanımlamak için kullanılır. Görü AI, derin öğrenme ve nesne algılama algoritmalarını kullanarak kamera görüntülerini analiz etmeye ve insanları, nesneleri ve hareket modellerini gerçek zamanlı olarak takip etmeye yardımcı olabilir.

Sadece alarmlara veya olay sonrası incelemelere güvenmek yerine, bu bilgisayarlı görü uygulamaları olağandışı davranışları işaretler. Bu otomasyon; perakende mağazalarının, depoların ve akıllı şehirlerin kayıpları azaltmasına ve güvenlik iş akışlarını kolaylaştırmasına yardımcı olur.

Şerit algılama#

Güvenli sürüş için sürücüsüz araçların yolu net bir şekilde anlaması gerekir. Şerit algılama, yol yapısını gerçek zamanlı olarak anlamak için kullanılan temel bir bilgisayarlı görü uygulamasıdır.

Görü tabanlı sistemler şerit çizgilerini, yol kenarlarını ve virajları tanımlayabilir. Bölümleme ve nesne algılama gibi görü görevlerini uygulayarak, bilgisayarlı görü modelleri aydınlatma değiştiğinde veya trafik yoğun olduğunda bile şeritleri takip edebilir.

Kaza ve çarpışma algılama#

Accident and collision detection, gerçek zamanlı olarak kazaları ve ramak kala olayları tespit etmek için computer vision teknolojisini kullanır. Çarpışma algılama algoritmalarıyla kombinlenen computer vision modelleri, trafik kameralarından, araç kameralarından veya dronlardan gelen gerçek zamanlı video akışlarını analiz etmeye yardımcı olabilir.

Ani araç duruşlarını, anormal hareketleri veya nesnelerle beklenmedik etkileşimleri takip ederek, bu yapay zeka destekli sistemler kazaları saniyeler içinde tanımlayabilir. Sonuç olarak, bu durum akıllı şehirler için daha hızlı acil durum müdahalesi ve daha iyi trafik yönetimi sağlar.

Sürücü izleme ve uyuklama algılama#

Uzun sürüşler ve yoğun trafik sürücünün dikkatini etkileyebilir. Computer vision sistemleri tarafından etkinleştirilen Driver attention monitoring ve yorgunluk tespiti, sürücünün fiziksel durumunu gerçek zamanlı olarak anlayabilir.

Örneğin, araç içindeki kameralar göz kırpma, göz kapama hızı, baş hareketi ve bakış yönü gibi ipuçlarını gözlemleyebilir. Makine öğrenimi ve derin öğrenme modelleri daha sonra bu sinyalleri yorumlar. Yorgunluk veya dikkat dağınıklığı belirtileri ortaya çıktığında, sistem uyarılar veya ikazlar verebilir.

Akıllı otopark sistemleri#

Yoğun bir şehirde park yeri bulmak zor olabilir, ancak bilgisayarlı görü teknolojisi günümüzde bunu kolaylaştırıyor. Akıllı otopark sistemleri, otoparkları gerçek zamanlı olarak izlemek için kameralar ve yapay zeka destekli bilgisayarlı görü modelleri kullanır.

Görü modelleri boş ve dolu yerleri algılayabilir, sürücülerin hızlı ve verimli bir şekilde park yeri bulmasına yardımcı olur. Otopark verimliliğini artırmak için genellikle alışveriş merkezlerinde, havaalanlarında, ofis komplekslerinde ve şehir merkezlerinde kullanılırlar.

Şekil 5. YOLO ile park yeri tespiti (Kaynak)

Müşteri ısı haritası analizi#

Perakendeciler, müşterilerin bir mağazada nasıl hareket ettiğini anlamak için müşteri ısı haritası analizini kullanabilir. Görü özellikli kameralar müşterilerin nerede yürüdüğünü, durakladığını veya toplandığını takip eder, ardından bu verileri renk kodlu ısı haritalarına dönüştürür.

Yoğun alanlar daha sıcak renklerde görünürken, daha sessiz bölgeler daha soğuk tonlarda görünür. Bunlar özellikle düzenleri iyileştirirken, ürünleri daha iyi yerleştirirken, ödeme noktalarındaki kalabalığı azaltırken ve müşteri davranışlarını analiz ederken yararlıdır.

Marka logosu algılama#

Birçok medya şirketi artık reklamlar, etkinlikler ve sosyal medya gönderileri dahil olmak üzere platformlar genelinde görseller ve videolardaki logoları algılamak için bilgisayarlı görü kullanıyor. Logoları algılayıp sınıflandırarak şirketler kampanya erişimini ölçebilir, marka görünürlüğünü izleyebilir ve logoların yetkisiz veya hileli kullanımını erken tespit edebilir. Bu, pazarlama ve hukuk ekiplerinin büyük miktarda görsel içeriği manuel olarak gözden geçirmeden marka varlığını ölçekli bir şekilde izleyebileceği anlamına gelir.

Raf stok izleme#

Boş raflar genellikle bir müşteri belirtene kadar fark edilmez. Raf stok izleme, rafları düzenli olarak taramak için kameralar kullanarak bunu önleyebilir. Görü AI sistemleri, nesne algılama ve takip kullanarak raf görsellerini tarayabilir, ürünleri algılayabilir, öğeleri sayabilir ve zaman içindeki değişiklikleri takip edebilir. Bu, kaçırılan stok yenileme fırsatları gibi yaygın bir perakende sorununu çözer.

Döşeme sızıntısı algılama#

Computer vision teknolojisi, termal kamera görüntülerini analiz ederek bina döşemelerindeki sızıntıları belirlemek için kullanılabilir. Bu sistemler, nem, çatlak veya yapısal sorunların hafif belirtilerini yakalamak için nesne tespiti ve segmentasyonu gibi görevleri gerçekleştirir. Bakım ekibi termal kameraları kullanarak sorunları erkenden tespit edebilir ve manuel denetimlere olan bağımlılığı azaltabilir. Slab leak detection, onarım maliyetlerini düşürmek için evlerde, ticari binalarda ve büyük tesislerde yaygın olarak kullanılır.

Kalite kontrol#

Kalite kontrol, bitmiş bir ürünün müşterilere ulaşmadan önce gerekli standardı karşılayıp karşılamadığına odaklanır. Bilgisayarlı görü modelleri, kullanılabilirliği, güvenliği veya görünümü etkileyen gözle görülür sorunları kontrol ederek ürünleri önceden tanımlanmış kıyaslamalarla karşılaştırmak için kullanılabilir. Bu, üreticilerin kaliteyi ölçekli bir şekilde tutarlı tutmalarına ve üretimi yavaşlatmadan iadeleri azaltmalarına olanak tanır.

Kusur algılama#

Kusur algılama; çatlaklar, çizikler veya yanlış etiketler gibi sorunlar için ürünleri kontrol eder. Ürünler bir üretim hattında hızla hareket ederken bile kusurları tespit etmek için nesne algılama gibi bilgisayarlı görü görevlerini kullanır.

Bir kusur bulunduğunda, ürün otomatik olarak işaretlenebilir veya kaldırılabilir. Bu, üretim süreçlerini yavaşlatmadan sadece yüksek kaliteli öğelerin ilerlemesini sağlar.

Yüzey algılama#

Bilgisayarlı görü ayrıca ürünlerin dış cilasını incelemek ve tutarlı kalite sağlamak için kullanılır. Görü tabanlı modeller; doku, renk tutarlılığı, kaplamalar ve cilayı analiz ederek düzensiz yüzeyleri veya yüzey hasarlarını algılar. Bu uygulama, elektroniği, otomotiv üretimi ve tüketim malları gibi görünümün performans kadar önemli olduğu sektörlerde yaygındır.

Eksik ürün denetimi#

Ürünler kapatılmadan veya sevk edilmeden önce, yapay zeka destekli kameralar tüm gerekli öğelerin mevcut olduğunu kontrol edebilir. Makine öğrenimi ve bilgisayarlı görü kullanarak, bu sistemler eksik şişeleri, parçaları veya paketlenmiş bileşenleri hızlı bir şekilde algılayarak hataları ve yeniden işlemeyi azaltabilir. Nesne algılamayı gerçek zamanlı izleme ile birleştirerek, üreticiler tutarlı kaliteyi koruyabilir ve maliyetli hatalardan kaçınabilir.

Montaj hattı izleme#

Üretim hatları, yanlış hizalanmış parçaları, sıkışmaları veya atlanan adımları tanımlamak için bilgisayarlı görü teknolojisi kullanılarak gerçek zamanlı olarak izlenebilir. Görü sistemleri, öğeler hat boyunca hareket ederken nesneleri takip edebilir ve konumlarını kontrol edebilir.

Bir sorun algılandığında, ekipler anında uyarılabilir, bu da duruş süresini azaltır, iş akışlarını iyileştirir ve ürün kalitesini korur. Bu otomasyon, zamanında karar almayı desteklerken operasyonların verimli bir şekilde çalışmasını sağlar.

Depo otomasyonu#

Computer vision sistemleri modern depo otomasyonunda çok önemli bir rol oynayabilir. Örneğin Amazon warehouses içinde vision kılavuzluğundaki robotlar paketleri tanımlar, hareketlerini takip eder ve nereye depolanacaklarına veya nereden alınacaklarına karar verir. Görsel verileri AI destekli robotikle birleştiren depolar, iş akışlarını optimize edebilir, insan hatasını azaltabilir ve paketlerin hedeflerine daha hızlı ulaşmasını sağlayabilir.

Envanter takibi#

Bilgisayarlı görü teknolojisindeki gelişmeler sayesinde, işletmeler stok seviyelerini gerçek zamanlı olarak izleyebilir, eksik veya yanlış yerleştirilmiş öğeleri algılayabilir ve kayıtları otomatik olarak güncelleyebilir. Bu, daha doğru envanter yönetimine yol açar, stok fazlası veya kıtlıkları önlemeye yardımcı olur ve depolar, perakende mağazaları ve üretim ortamlarında daha hızlı karar almayı destekler.

Hap sayımı ve tanımlama#

Sağlık hizmetlerinde, hataları önlemek için hapları doğru bir şekilde saymak ve tanımlamak çok önemlidir. Bilgisayarlı görü sistemleri, hap türlerini tanımlamak ve otomatik olarak saymak için nesne algılama ve görüntü sınıflandırma kullanabilir. Görü entegreli kameralar ilacın yüksek çözünürlüklü görsellerini yakalar ve yapay zeka destekli algoritmalar bunları gerçek zamanlı olarak analiz ederek eczanelerin, hastanelerin ve kliniklerin iş akışlarını sürdürmelerine yardımcı olur.

Şekil 6. Ultralytics YOLO modeli kullanarak hap sayımı ve tespiti (Kaynak)

Çamaşır ayırma#

Büyük ölçekli çamaşırhane operasyonlarında manuel ayırma işlemi yavaştır ve genellikle hata yapmaya müsaittir. Bilgisayarlı görü sistemleri, kıyafetleri renk, boyut veya kumaş türüne göre otomatik olarak ayırmak için kameralardan ve AI modellerinden yararlanabilir.

Her bir ürünü tespit edip doğru sepete veya yıkama döngüsüne yönlendirerek, bu sistemler hızı ve tutarlılığı artırır. Bu durum, onları verimliliğin ve doğruluğun kritik öneme sahip olduğu oteller, hastaneler ve endüstriyel çamaşırhanelerde özellikle yararlı kılar.

Çatlak tespiti#

Bilgisayarlı görü, insan gözüyle fark edilmesi kolay olmayan çatlakları tespit etmeye yardımcı olur. AI modelleri, kameralar ve görüntü işleme kullanarak yollar, duvarlar, köprüler ve makineler gibi yüzeyleri tarayarak hasarın erken belirtilerini tespit eder.

Nesne tespiti ve segmentasyon gibi görevlerle, en küçük çatlaklar bile erkenden tanımlanabilir. Bu, ekiplerin onarımları zamanında planlamasına ve güvenlik risklerini azaltmasına yardımcı olur.

Mikroskopide hücre sayımı#

Laboratuvar deneyleri genellikle bir örnekteki tam hücre sayısını bilmeye dayanır. Bu durum araştırmacıları, görsel segmentasyonunu ve nesne sayımını destekleyen computer vision modellerini kullanmaya yöneltmiştir. Bu modeller detect individual cells, üst üste binenleri ayırır ve otomatik olarak sayarak zamandan tasarruf sağlar ve doğruluğu artırır.

Toka kırığı tespiti#

Computer vision, doktorların röntgen görüntülemesinde çocuklarda yaygın olan ve gözden kaçması kolay buckle fractures tespit etmesine yardımcı olabilir. Derin öğrenme modelleri, hafif bükülmeleri veya çatlakları tespit etmek için kemik şekillerini ve dokularını öğrenerek tıbbi görüntüleme verilerini analiz edecek şekilde ince ayarlanabilir. Özellikle görüntü sınıflandırması, endişe verici alanları vurgulayarak radyologların daha hızlı ve daha doğru teşhisler koymasına yardımcı olabilir.

Hasta düşme tespiti#

Hastanelerde ve bakım evlerinde kritik bir konu, hastaları günün her saati güvende tutmaktır. Personel her an yanlarında olamaz. Ancak, bilgisayarlı görü gibi teknolojiler, hasta hareketlerini izleyerek ve potansiyel riskleri gerçek zamanlı olarak tespit ederek yardımcı olabilir.

Örneğin, vücut duruşunu ve hareket modellerini takip ederek, görüş tabanlı sistemler ani düşüşleri gerçek zamanlı olarak algılayabilir. Bir düşüş tespit edildiğinde, sistem bakıcıları anında uyararak hızlı müdahale sağlayabilir. Bu, hızlı yardımın ciddi yaralanma riskini azaltabildiği ve genel bakımı iyileştirebildiği yaşlı veya iyileşmekte olan hastalar için özellikle etkilidir.

YBÜ hasta izleme#

Bir YBÜ içinde, hastaların her zaman yakından izlenmesi gerekir. Bu, özellikle uzun vardiyalarda tıbbi personel için yorucu ve zorlayıcı olabilir. Bilgisayarlı görü sistemleri, hasta hareketlerini ve duruşunu sürekli izleyerek bakım ekiplerinin kritik görevlere odaklanmasını ve sorunlar ortaya çıktığında hızlı yanıt vermesini sağlayarak yardımcı olabilir.

Cerrahi alet takibi#

Ameliyat sırasında her tıbbi aleti takip etmek kritiktir. Tepe kameraları, cerrahi aletleri işlem boyunca tespit etmek ve takip etmek için bilgisayarlı görü ile entegre edilebilir. Bu, ameliyathane güvenliğini artırır, gecikmeleri azaltır ve cerrahlar ile hemşirelerin işleme tamamen odaklanmalarını sağlar.

Tıbbi görüntü teşhisi#

Tıbbi görüntü teşhisi bilgisayarlı görü ile güçlendirilebilir. Bu, doktorların taramaları daha net ve hızlı bir şekilde analiz etmelerini sağlar.

Derin öğrenme ve evrişimli sinir ağlarını kullanan görüş sistemleri, görsel desenleri bulmak için X-ışınlarını, MR'ları ve BT taramalarını analiz eder. Örneğin, tümör tespitinde görüntü işleme, segmentasyon ve nesne tespiti gibi görüş yetenekleri şüpheli bölgeleri vurgular ve doğru teşhisi destekler.

KKD uyumluluk tespiti#

Yoğun endüstriyel ortamlarda, her çalışanı her zaman izlemek zordur. Görüş özellikli kameralar, çalışma alanlarını sürekli gözlemleyerek ve kask, eldiven ve yansıtıcı yelek gibi gerekli güvenlik ekipmanlarını kontrol ederek bunu çözebilir. Eksik kişisel koruyucu ekipmanı (KKD) gerçek zamanlı olarak tespit ederek, bu sistemler kazaları önlemeye ve genel iş yeri güvenliğini artırmaya yardımcı olur.

Bitki ve mahsul izleme#

Bitki ve mahsul izleme, çiftçilerin büyüme mevsimi boyunca mahsul sağlığını takip etmesini sağlar. İHA'lara, traktörlere veya sabit direklere yerleştirilen kameralar, tarladaki bitkilerin düzenli görüntülerini yakalayabilir.

Bu bilgisayarlı görü kullanımı, sistemlerin yaprak rengi, bitki boyutu ve büyüme modelleri gibi görsel ipuçlarını analiz ederek stres, besin eksikliği veya su sıkıntısının erken belirtilerini tespit etmesini sağlar. Sorunları erkenden tanımlayarak, çiftçiler daha hızlı yanıt verebilir, mahsul verimini artırabilir ve büyük ölçekli mahsul kayıplarından kaçınabilir.

Hayvancılık izleme#

Hayvancılık izleme, hayvan davranışlarını sürekli insan gözetimi olmadan gözlemlemek için bilgisayarlı görüden yararlanır. Kameralar; yaralanma, hastalık veya stres belirtilerini belirlemek için hareketleri, duruşu ve aktivite seviyelerini takip eder.

Örneğin, azalmış hareket veya alışılmadık yürüme modelleri sağlık sorunlarına işaret edebilir. Bu sistemler, sürüleri sürekli izlemek için tespit ve takibe dayanır ve çiftçilerin büyük çiftlikleri daha verimli yönetmelerine yardımcı olur.

Şekil 7. YOLO tarafından desteklenen inek duruşu tespiti örneği (Kaynak)

Orman yangını tespiti#

Orman yangınları genellikle insan gözetiminin sınırlı olduğu uzak bölgelerde başlar. Bilgisayarlı görü sistemleri, gözetleme kulelerinden, İHA'lardan ve hava görüntülerinden gelen görsel verileri analiz ederek ince duman izleri, bitki örtüsü rengindeki değişiklikler veya ısıya bağlı hafif hareketler gibi erken belirtileri tespit eder. Sis veya bulutların neden olduğu yanlış alarmları azaltarak, bu gerçek zamanlı sistemler yetkililerin daha hızlı yanıt vermesini ve yangınların yayılmasını önlemesini sağlar.

Ejder meyvesi olgunluk tespiti#

Ejder meyvesini hasat etmek için doğru zamanı bilmek, zamanlamanın kaliteyi ve raf ömrünü doğrudan etkilediği oldukça spesifik bir bilgisayarlı görü kullanım durumudur. Görüş tabanlı modeller, olgunluğu değerlendirmek ve optimal hasat zamanını tahmin etmek için tespit ve görüntü sınıflandırma kullanır. Çiftlikler, olgunluk kontrollerini kolaylaştırmak için AI destekli kameralar kullanmaya başlıyor; bu da hasadı daha hızlı, daha doğru ve daha tutarlı hale getiriyor.

Kuş gözlemi#

Kuş gözlemciliği, bilgisayarla görü sayesinde daha doğru hâle geldi. Akıllı kameralar ve yapay zeka destekli dürbünler, nesne tespiti ve poz tahmini gibi görevleri desteklemek için Ultralytics YOLO26 gibi modeller de dahil olmak üzere bilgisayarla görü algoritmalarını kullanır. Bu, araştırmacıların ve meraklıların popülasyonları izlemesini, davranışları gözlemlemesini ve göç modellerini incelemesini sağlar.

Karda hayvan izi analizi#

Karlı bölgelerde hayvan izleri, yaban hayatının hareketleri hakkında değerli ipuçları ortaya çıkarabilir. Ultralytics YOLO26 gibi bilgisayarla görü modelleri, karlı bölgelerdeki hayvan izlerini tespit etmek ve takip etmek için kullanılabilir.

Görsel desenleri analiz ederek, bu modeller türleri tanımlamayı, hareketi tahmin etmeyi ve göçü incelemeyi kolaylaştırır. Bu, araştırmacıların ve korumacıların popülasyonları gerçek zamanlı olarak izlemelerine, davranışları gözlemlemelerine ve yaban hayatını korumalarına olanak tanır.

Demiryolu operasyonları#

Demiryolu ağları sürekli hareket, sıkı programlar ve güvenlik riskleri altında çalışır, bu da manuel izlemeyi karmaşık hale getirir. Bilgisayarlı görü teknolojisi, hat kenarındaki kameralardan, istasyonlardan ve araç içi sistemlerden gelen görsel verileri analiz ederek bu kontrolleri otomatikleştirebilir.

Nesne tespiti ve örnek segmentasyonu kullanarak, görüş modelleri çatlakları, sinyal sorunlarını, hat kenarındaki engelleri veya kısıtlı alanlara giren insanları gerçek zamanlı olarak tespit edip takip edebilir. Bu, insan hatasını azaltır, iş akışlarını kolaylaştırır ve daha güvenli, daha güvenilir demiryolu operasyonlarını destekler.

Belge ile ilgili OCR görevleri#

Belge işleme, bilgisayarlı görü destekli optik karakter tanıma sistemleri ile çok daha kolay hale geldi. Bu sistemler, faturalar, formlar ve makbuzlar gibi görüntülerdeki metin bölgelerini önce tespit eder, ardından içeriği aranabilir ve kullanılabilir hale getirmek için çıkarır.

Yakalandıktan sonra metin otomatik olarak işlenebilir, analiz edilebilir veya özetlenebilir. Bu, işletmelerin finans, sağlık ve operasyonlardaki belge yoğun iş akışlarında doğruluğu artırmasına ve kolaylaştırmasına yardımcı olur.

Oyuncu tespiti ve takibi#

Büyük spor etkinlikleri, sahadaki oyuncuların hareketlerini takip etmek için bilgisayarlı görü teknolojisini kullanmaya başladı. Görüş modelleri, nesne tespiti, nesne takibi ve duruş tahmini kullanarak canlı maç görüntülerini yakından analiz eder.

Antrenörler ve analistler bu verileri performansı, konumlandırmayı ve takım çalışmasını incelemek için kullanır. Aslında, oyuncu takibi artık futbol, basketbol ve krikette yaygındır ve takımların antrenman ve maçlar sırasında veriye dayalı kararlar almasını sağlar.

Şekil 8. Bir futbol sahasında oyuncu tespiti için kullanılan YOLO. (Kaynak)

Top takibi#

Bilgisayarlı görünün spor analistlerini nasıl destekleyebileceğine dair bir diğer iyi örnek de top takibidir. Hızlı tempolu sporlarda, topu takip etmek zor olabilir.

Bilgisayarlı görü sistemleri, topu tespit edip hareketini kare kare takip ederek konumunu, hızını ve yönünü gerçek zamanlı olarak kaydedebilir. Bu veriler, futbol, kriket ve golf gibi sporlarda performans analizini ve adil karar vermeyi destekler.

Oyun kartı tespiti#

Kumarhaneler gibi denetime tabi oyun ortamları, masadaki oyun kağıtlarını gerçek zamanlı olarak tanımlayıp takip ederek blackjack gibi kart oyunlarını izlemek için bilgisayarla görü kullanır. Bu, adil bir oyun deneyimi sağlamaya, hileleri önlemeye ve şeffaflığı korumaya yardımcı olur. Ultralytics YOLO26 gibi görü modelleri, kartları şekillerine, sayılarına ve sembollerine göre tanımak için kullanılabilir.

Sakatlık riski analizi#

Sporcu sakatlıkları genellikle kötü duruş veya tekrarlayan zorlanmalar nedeniyle kademeli olarak gelişir. Görüş AI sistemleri, oyuncuların antrenman ve maçlar sırasındaki hareketlerini analiz ederek bu sorunları erken yakalamaya yardımcı olabilir.

AI kameraları, güvenli olmayan hareketleri belirlemek için vücut pozisyonunu, dengeyi ve hareket modellerini takip edebilir. Bu, takımların formu düzeltmesine, antrenman rutinlerini iyileştirmesine ve ciddi sakatlık riskini azaltmasına olanak tanır.

Oyunlarda jest kontrolü#

Oyunlarda jest kontrolü, bilgisayarlı görü ile yakından ilişkilidir. Görüş tabanlı sistemler el ve vücut hareketlerini tespit edip yorumlayarak oyuncuların fiziksel kontrol cihazları olmadan oyunları kontrol etmelerini sağlar.

Bu yaklaşım, el sallama, zıplama veya işaret etme gibi eylemlerin gerçek zamanlı oyun içi yanıtlara dönüştürüldüğü ve daha sürükleyici bir deneyim yarattığı artırılmış ve sanal gerçeklik deneyimlerinde yaygın olarak kullanılır.

Besin etiketi analizi#

Besin etiketlerini okumak, özellikle formatlar markalar arasında farklılık gösterdiğinde zaman alıcı olabilir. Bilgisayarlı görü çözümleriyle bu basitleştirilebilir.

Gıda etiketlerinin görüntülerini işleyerek, bilgisayarlı görü sistemleri kalori, içerik ve besin bilgileri gibi önemli detayları çıkarabilir. Görüntü işleme, optik karakter tanıma ve makine öğrenimi kullanarak, besin etiketleri akıllı telefonlar veya basit tarayıcılarla taranabilir, bu da bilgilerin erişilmesini ve karşılaştırılmasını kolaylaştırır.

İnsan sayımı#

Bir alanda kaç kişi olduğunu bilmek, işletmelerin ve şehirlerin daha iyi planlama yapmasına yardımcı olur. Bilgisayarlı görü tabanlı sistemler, halka açık yerlerden gelen video beslemelerini kullanarak bir alana giren veya çıkan insanları sayabilir.

Bu tür çözümler, gerçek zamanlı hareketi takip etmek için nesne tespiti ve takibine dayanır. Kalabalık akışını yönetmek ve güvenliği artırmak için perakende mağazalarında, ulaşım merkezlerinde ve akıllı şehirlerde kullanılır.

Trafik akışı izleme#

Trafiği izlemek, yolları güvenli tutmak ve tıkanıklığı azaltmak için şarttır. Bilgisayarlı görü ile birleştirilmiş kameralar ve sensörler, araçları gerçek zamanlı olarak takip edebilir ve trafik akışını analiz edebilir. Bu, şehir planlamacılarının trafik modellerini daha iyi anlamalarına ve genel trafik yönetimini iyileştirmek için sinyal sürelerini optimize etmelerine yardımcı olur.

Şekil 9. YOLO kullanarak otobanda araç tespiti ve sayımı (Kaynak)

Boru hattı denetimi#

Bilgisayarlı görü teknolojisi, insanları riske atmadan uzun boru hatlarını denetleyebilir. Yüksek çözünürlüklü kameralar ve görüş tabanlı algoritmalarla donatılmış İHA'lar, boru hatlarını korozyon, sızıntı veya çatlaklar açısından inceleyebilir. Bu otomasyon insan riskini azaltır, bakım kontrollerini hızlandırır ve uzun mesafelerde sürekli izleme sağlayarak boru hattı operasyonlarını daha güvenli hale getirir.

Şişe kapağı denetimi#

Şişe kapakları bazen eksik olabilir veya düzgün bir şekilde kapanmayabilir, bu da bozulmalara veya güvenlik sorunlarına yol açabilir. Bu, içecek endüstrisinde önemli bir endişe kaynağıdır. Bilgisayarlı görü sistemleri, üretim hatlarını izleyerek ve eksik, gevşek veya yanlış hizalanmış kapakları tespit etmek için kameralar kullanarak bunu ele almaya yardımcı olabilir.

Saha yönetimi#

Sürekli hareket eden konteynerler ve araçlarla büyük depolama sahalarını yönetmek göründüğü kadar kolay değildir. Görüş tabanlı sistemler, konteyner kimliklerini tanımlayarak, konumlarını izleyerek ve hareketleri gerçek zamanlı olarak kaydederek bu karmaşıklığı yönetir.

Kameralar saha aktivitesini izler ve sistemleri otomatik olarak günceller. Bu AI destekli görüş çözümü, lojistiği ve genel iş akışını iyileştirmeye odaklanır.

Nadir tür tespiti#

Nadir türleri incelemek zordur çünkü yaygın değildirler ve genellikle korunan veya uzak bölgelerde yaşarlar. Ancak, görüş tabanlı sistemler kamera tuzakları, İHA'lar veya uydu görüntüleri kullanarak görsel veriler toplayabilir.

Bu sistemler, hayvanları şekil, renk ve işaretler gibi özelliklere göre tanımak için görüntü sınıflandırma kullanır. Bu, görüş AI'sının yaban hayatını rahatsız etmeden türleri otomatik olarak tespit etmesini, zaman içindeki görümleri kaydetmesini ve popülasyonları izlemesini sağlar.

Self-servis ödeme sistemleri#

Bilgisayarlı görü, self-servis ödemeyi daha hızlı ve kolay hale getirdi. Müşteriler uzun kuyruklarda beklemeden ürünleri tarayıp ödeme yapabilir.

Bu, ürünlerin nasıl alındığını ve yerleştirildiğini izleyen mağaza içi kameralar, akıllı tarayıcılar ve görüş özellikli kiosklar tarafından desteklenerek sistemlerin öğeleri doğru bir şekilde tanımasına yardımcı olur. Sonuç olarak, hatalar azalır, ödeme daha hızlı gerçekleşir ve yoğun perakende mağazalarında genel alışveriş deneyimi daha akıcı hale gelir.

Lastik aşınma tespiti#

Zamanla lastikler tutuşunu kaybeder, ancak değişiklikler genellikle ince ve fark edilmesi zordur. Garajlara veya servis merkezlerine kurulan görüş tabanlı sistemler, düşük diş derinliği veya düzensiz desenler gibi aşınma veya hasar belirtilerini tespit etmek için lastik yüzeylerini inceler. Sorunları erkenden tanımlayarak, bu sistemler güvensiz sürüş koşullarını önlemeye ve lastik bakımını daha öngörülebilir hale getirmeye yardımcı olur.

Ürün sayımı#

Bilgisayarlı görü ile ürün sayımı, görüntülerdeki veya videolardaki ürünleri tespit edip takip ederek otomatikleştirilebilir. Örneğin, görüş sistemleri bir konveyör bandındaki paketlenmiş kolileri sayabilir, süpermarketlerdeki envanter seviyelerini izleyebilir veya yıkama veya işleme aşamalarında montaj hattı boyunca hareket eden öğeleri takip edebilir. Bu yaklaşım, stok uyuşmazlıklarını azaltmak, eksik öğeleri erkenden tanımlamak ve doğru envanter verilerini korumak için depolarda, fabrikalarda ve perakende ortamlarında yaygın olarak kullanılır.

Şekil 10. YOLO tarafından tespit edilen montaj hattındaki yeşil elmalar (Kaynak)

Sualtı tür tespiti#

Okyanus yüzeyinin altındaki yaşamı keşfetmek kolay değildir, ancak computer vision, track underwater species daha etkili bir şekilde yapmayı kolaylaştırmıştır. Araştırmacılar balıkları, mercanları ve diğer deniz türlerini gerçek zamanlı olarak tanımlamak için su altı dronlarından ve dalgıç kameralardan gelen görsel verileri kullanabilir. Bu bilgiler, deniz yaşamını rahatsız etmeden popülasyonları izlemeye, habitatları incelemeye ve okyanus ekosistemlerini gözlemlemeye yardımcı olur.

Mutfak atığı tespiti#

Büyük ticari mutfaklar her gün önemli miktarda gıda atığı üretir. Günümüzde, görüş tabanlı sistemler gıda atığını azaltma sürecinin tamamını otomatikleştirmek için kullanılıyor.

Bu bilgisayarlı görü sistemleri, hazırlık alanlarının yakınına veya akıllı atık kutularına yerleştirilen kameraları kullanarak yiyecekleri tanımlar, porsiyon boyutlarını ölçer ve atık modellerini takip eder. Birçok otel zinciri ve yemek hizmeti şirketi, bu verileri menüleri ayarlamak, israfı azaltmak ve maliyetleri düşürmek için kullanıyor.

Gıda kalite derecelendirmesi#

Gıda kalite derecelendirmesi, gıda işleme tesislerinde bilgisayarlı görü sistemleri kullanılarak giderek daha fazla otomatikleştirilmektedir. Meyveler, sebzeler ve paketlenmiş ürünler üretim hatlarında ilerlerken, görüş modelleri tespit ve sınıflandırma kullanarak onları boyut, renk, olgunluk ve yüzey kusurlarına göre ayırabilir. Bu, manuel incelemeleri azaltır, insan hatasını en aza indirir ve her gün büyük hacimler işlense bile müşterilere yalnızca yüksek kaliteli gıdaların ulaşmasını sağlar.

Öne çıkanlar#

Bilgisayarlı görü, hızla en son üretim ve operasyonel sistemlerin temel bir parçası haline geliyor. Tespit, takip, segmentasyon ve sınıflandırma gibi temel görüş görevleri; sağlık, perakende, tarım ve otonom araçlar dahil olmak üzere birçok endüstrideki uygulamaları destekliyor. En çok değişen şey, bu sistemlerin ne kadar ölçeklenebilir ve pratik hale geldiğidir.

AI hakkında daha derinlemesine bilgi edinmek ister misin? Büyüyen community topluluğumuza katıl ve GitHub repository üzerindeki computer vision hakkında daha fazla bilgi edin. Çözüm sayfalarına göz at ve AI in manufacturing ile vision AI in healthcare hakkında bilgi sahibi ol. Vision AI ile hemen başlamak için our licensing options seçeneklerimizi keşfet!