Görüntü yapay zekâsı üretim hatlarında kusur tespitini nasıl iyileştirir?

Küçük bir kusur ya da anormallik ilk bakışta önemsiz görünebilir; ancak zamanla baskı altında büyüyerek maliyetli onarımlara, ürün geri çağırmalarına ve tüketici güveninin kaybolmasına yol açabilir. Yalnızca manuel denetime güvenmek bu riski artırır ve bu durum çeşitli sektörlerde geçerlidir.

Ürünlerdeki küçük çatlakları, ezikleri, hafif hizasızlıkları ve yüzey kusurlarını fark etmek, özellikle hızlı ve yüksek hacimli üretim ortamlarında zor olabilir. Üretim daha yavaş ve daha az karmaşıkken manuel denetim işe yarıyordu; ancak günümüzde üretim hatları bambaşka bir ölçekte çalışıyor.

Süreçler hiç olmadığı kadar hızlı, otomatik ve zorlu. Geleneksel kalite kontrol yöntemleri bu hıza yetişemiyor.

Üreticiler bu zorlukların üstesinden gelmek için bilgisayarlı görü sistemlerini benimsiyor. Bilgisayarlı görü, makinelerin görsel verileri analiz edip yorumlamasını sağlayan bir yapay zekâ (AI) dalıdır. Bu sistemler üretim hattındaki ürünleri sürekli izleyebilir ve düzensiz örüntüleri ya da kusurları otomatik olarak belirleyebilir.

Örneğin Ultralytics YOLO26 gibi bilgisayarlı görü modelleri, nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi çeşitli gerçek zamanlı görü görevlerini destekler. Özellikle kusur tespiti için bu modeller, üretim hatlarında ilerleyen ürün yüzeylerini tarayabilir, düzensiz örüntüleri belirleyebilir, küçük çatlakları veya ezikleri tespit edebilir ve kusurları gerçek zamanlı olarak işaretleyebilir.

Şekil 1. Metal yüzey kusurlarının tespitine örnekler (Kaynak)

Bu makalede kusur tespitinde bilgisayarlı görü kullanımını inceleyecek ve üreticilerin akıllı üretim hatlarında ürün kalitesini korumasına nasıl yardımcı olduğunu göreceğiz. Hadi başlayalım!

Üretim otomasyonunda kusur tespitine duyulan ihtiyaç#

İşte yapay zekâ destekli tespiti akıllı üretim ortamlarında vazgeçilmez kılan başlıca etkenlere bir bakış:

• Zorlu üretim ortamları: Üretim tesisleri çoğu zaman toz, sıcaklık, titreşim ve değişken ışık gibi koşullarda çalışır. Güvenilir kusur tespiti, bu çevresel etkenlere rağmen tutarlı performans göstermelidir.
• İşgücüne bağımlılık: Geleneksel denetim insan operatörlere dayanır. Üretim ölçeği büyüdükçe vardiyalar ve uzun çalışma saatleri boyunca tutarlı doğruluğu korumak giderek zorlaşır.
• Operasyonel zorluklar: Montaj hatları yüksek hızda çalışır. Denetim sistemleri bu tempoya yetişmeli ve iş akışını kesintiye uğratmadan her ürünü değerlendirmelidir.
• Kusurların maliyeti: Bir kusur ne kadar erken tespit edilirse düzeltme maliyeti o kadar düşük olur. Özellikle sevkiyattan sonra yapılan geç tespit; yeniden işlemeye, israfa ve ürün geri çağırmalarına yol açabilir.
• Tutarlılık ve izlenebilirlik gereksinimleri: Birçok şirket kalite standartlarını korumaya odaklanır. Otomatik sistemler denetim verilerini kaydederek sonuçları izlemeyi, şeffaflığı sağlamayı ve hesap verebilirliği sürdürmeyi kolaylaştırır.

Görü destekli kusur tespiti nedir?#

Görü destekli kusur tespiti, üretim sırasında ürün kusurlarını belirlemek için kameralardan ve bilgisayarlı görü sistemlerinden yararlanır. Bu sistemler, üretim hattında ilerleyen ürünleri tarar ve kalite standartlarını karşılayıp karşılamadıklarını doğrular.

Birçok şirket bunu üretim tesislerinde hâlihazırda kullanıyor. Nitekim küresel yapay zekâ destekli endüstriyel kusur tespit pazarı 2035'e kadar 6,07 milyar dolara ulaşacak.

Bu büyümenin ardındaki temel etkenlerden biri, bilgisayarlı görü modellerinin nadir görülen kusurları bile tespit edebilmesidir. Etiketlenmiş örnek görüntülerle eğitilen Ultralytics YOLO26 gibi modeller, çok çeşitli sorunları tanımayı öğrenebilir.

Çeşitli kusur türleri#

Gerçek üretim ortamlarında kusurlar pek çok biçimde ortaya çıkabilir. İşte bilgisayarlı görü ve görüntü işleme teknolojileriyle belirlenebilecek bazı yaygın sorunlar:

• Yüzey kusurları: Bunlara çizikler, ezikler, çatlaklar, renk değişimleri ve diğer yüzey kusurları dahildir.
• Boyutsal kusurlar: Bir ürünün boyutu yanlış olduğunda, hizası bozulduğunda veya şeklinde sorun olduğunda bu kusurlar ortaya çıkar.
• Montaj kusurları: Montaj hattında parçaların eksik olması, yanlış yerleştirilmesi veya hizasının bozulması; ürün performansını ve genel kaliteyi etkileyebilecek montaj kusurlarına yol açar.
• Üretim kusurları: Bu kusurlar, malzemelerdeki, ekipmandaki veya süreç kontrolündeki hatalar nedeniyle üretim sürecinde ortaya çıkar. Örneğin baskılı devre kartı (PCB) veya yarı iletken üretiminde hizasız katmanlar, eksik lehim bağlantıları ya da kirlenme gibi sorunlar süreç değişikliklerinden kaynaklanabilir ve kusurlu bileşenlere yol açabilir.
• Baskı veya etiketleme kusurları: Metnin bulanık olması, baskının düzensiz çıkması, bilgilerin eksik olması ya da etiketlerin ürün veya ambalaj üzerinde yanlış konumlandırılması bu kusurlara yol açar.

Görüyle desteklenen kusur tespiti nasıl çalışır?#

Şimdi kamera sistemleri ve görsel yapay zekâ modelleriyle çalışan bir kusur tespit sisteminin nasıl işlediğine yakından bakalım.

Tipik bir kurulumda ürünler farklı üretim aşamalarından geçerken net görsel veriler yakalamak için montaj hattı boyunca kameralar konumlandırılır. Bu yüksek çözünürlüklü görüntüler toplanır ve bilgisayarlı görü modeli için veri kümeleri hâlinde düzenlenir.

Görüntüler eğitim verisi olarak kullanılır. Bilgisayarlı görü modeli hem iyi hem de kusurlu ürün örnekleriyle eğitilebilir; böylece ikisini doğru biçimde ayırt etmeyi öğrenir.

Örneğin şişe kapağı denetiminde kapakların boyutu, rengi ve şekli değişiklik gösterebilir. Üretim hattında ilerleyen kapaklardaki yüzey kusurlarını, hizasızlıkları veya yapısal bozuklukları belirlemek için bir görü sistemi kullanılabilir. Bir sorun tespit edildiğinde hemen işaretlenir.

Şekil 2. Farklı boyut ve renklerdeki şişe kapaklarında çeşitli kusurların tespiti (Kaynak)

Kuruluma bağlı olarak yapay zekâ destekli denetim sistemleri doğrudan montaj hatlarında çalışabilir ve hızlı karar almayı destekleyebilir. Gerçek üretim ortamlarında bu tür otomatik sistemler tutarlılığı artırır, kalite denetimini güçlendirir ve büyük ölçekte kusur tespitini daha güvenilir hâle getirir.

Kusur tespitinde kullanılan temel bilgisayarlı görü görevleri#

Görü yapay zekâsına dayalı kusur tespit sistemleri genellikle bir dizi bilgisayarlı görü görevinden yararlanır. Bu görevlerin her biri kalite denetimi sürecinde önemli bir rol oynar.

Ultralytics YOLO26 gibi son teknoloji görsel yapay zekâ modelleri bu görevleri destekleyerek gerçek üretim ortamlarında güvenilir olmalarını sağlar. İşte bu görevlerden bazıları:

• Görüntü sınıflandırma: Sınıflandırma, bilgisayarlı görünün en basit görevidir. Bir görüntüyü analiz ederek "kusur" veya "kusur yok" gibi kategorilere ayırır.
• Nesne algılama: Modellerin görüntüdeki kusurları belirlemesini ve konumlandırmasını sağlar. Çatlak, ezik, leke veya eksik parça gibi sorunların çevresine sınırlayıcı kutular çizerek denetim sürecini daha hassas ve yorumlaması kolay hâle getirir.
• Nesne takibi: Bu görev, bir ürünü veya algılanmış bir kusuru kareler boyunca takip etmek için kullanılır. Denetimde sürekliliği korumaya yardımcı olur ve kusurların birden fazla kez sayılmasını önler.
• Örnek segmentasyonu: Görüntü segmentasyonu, kusurun tam şeklini ve kapladığı alanı piksel düzeyinde belirler. Bu ayrıntı düzeyi, kusurun boyutunu, yayılımını veya ciddiyetini ölçerken işe yarar.
• Yönlendirilmiş sınırlayıcı kutu (OBB) algılama: OBB algılama, kusurun yönüyle hizalanan döndürülmüş kutular çizmek için kullanılır. Bu, özellikle dar veya eğik kusurlarda doğruluğu artırır.

Şekil 3. Döküm kusurlarını tespit etmek için farklı bilgisayarlı görü görevlerinin kullanımı (Kaynak)

Üretim sürecini iyileştirmeye yönelik makine görü uygulamaları#

Makine görüşü; kameraları, sensörleri ve görüntü işleme yazılımlarını kullanarak üretim süreçlerini gerçek zamanlı olarak otomatik biçimde incelemeyi, analiz etmeyi ve yönlendirmeyi kapsar. Otomotiv, elektronik, ilaç, yiyecek ve içecek ile tüketim ürünleri imalatı gibi sektörlerde yaygın olarak kullanılır.

Şimdi, makine görüşünün üretim süreci boyunca kaliteyi, verimliliği ve tutarlılığı nasıl artırabileceğini gösteren gerçek dünyadan bazı örneklere göz atalım.

Çelik üretiminde görsel denetim#

Metal çelik sac üretiminde kusurlar çoğu zaman belirsizdir. Örneğin bir sac, ilk bakışta pürüzsüz görünebilir; ancak haddeleme veya ısıl işlem sırasında oluşan ince bir çizik ya da yüzey kusurunu gizliyor olabilir. Her saat binlerce sac üretim hatlarından geçerken elle denetime güvenmek giderek zorlaşır.

Doğruluğu artırmak için üreticiler, bilgisayarlı görü sistemlerini doğrudan üretim hatlarına kuruyor. Bu sistemler yüzey dokusunu, hizalamayı ve yapısal desenleri gerçek zamanlı olarak analiz eder. Herhangi bir düzensizlik tespit edildiğinde, daha ileri işlem yapılması için hemen işaretlenir.

Şekil 4. Çelik saclardaki kusurlara bir bakış (Kaynak)

Bilgisayarlı görüyle daha akıllı gıda ambalajı kalite kontrolü#

Gıda üreticileri, her paketin içine ne konduğuna yakından dikkat eder. Ancak eksik poşetler, hatalı adetler veya yetersiz mühürleme gibi ambalaj hataları yine de meydana gelebilir.

Bu sorunlar önemsiz görünebilir, ancak ürün kusuru sayılır ve çoğu zaman müşteri şikâyetlerine yol açar. Riski azaltmak için üreticiler, hat içi kalite denetiminde bilgisayarlı görü sistemlerinden yararlanıyor.

Bu sistemler, ürünler üretim hattında ilerlerken ürün adedini, yerleşimini ve görünürlüğünü izler. Her paket bilgisayarlı görü modelleri tarafından dikkatle değerlendirilir ve yeri ya da durumu uygun olmayan her şey hemen işaretlenir.

Bu denetim sistemleri her birimi gerçek zamanlı olarak inceleyerek kusurlu ürünlerin tesisten çıkmadan önce ayıklanmasına yardımcı olur. Böylece tutarlılık artar, kalite kontrol güçlenir ve operasyonları kesintiye uğratmadan büyük ölçekte kusur tespiti yapılabilir.

Ahşap üretim sürecinde kusur tespitinin iyileştirilmesi#

Ahşap doğal bir malzemedir ve her ahşap levhanın kendine özgü özellikleri vardır. Örneğin budaklar, çatlaklar, düzensiz damarlar ve yüzey yarıkları yaygındır.

Bazıları yalnızca görünümü etkilerken diğerleri yapısal dayanımı düşürür ve ürün değerini azaltır. Hızlı üretim hatlarında her ahşap levhayı elle incelemek, tutarsız kalite kontrolüne yol açabilir.

Bu süreci iyileştirmek için tesislerde otomatik kusur tespitinde bilgisayarlı görü sistemleri kullanılıyor. Levhalar üretim hattında ilerlerken ahşap levhanın ayrıntılı yüzey görüntüleri yakalanır. Ardından bir görü modeli, doku farklılıklarını ve damar desenlerini gerçek zamanlı olarak analiz ederek olası ürün kusurlarını belirleyebilir.

Şekil 5. Sağlam budaklar, çürük budaklar, çatlaklar ve kurt delikleri gibi ahşap kusurları (Kaynak)

Önemli çıkarımlar#

Görsel yapay zekâ, üretim hattı boyunca gerçek zamanlı izleme sağlayarak üreticilerin kalite denetimini iyileştirmesine yardımcı oluyor. Ürünler üretim sürecinin her aşamasından geçerken bilgisayarlı görü modelleri görüntüleri analiz eder ve düzensizlikleri yüksek hassasiyetle hemen işaretler.

Bu sürekli denetim, standartların tutarlı olmasını sağlar ve yüksek kaliteli ürünlerin teslim edilmesini destekler. Gerçek zamanlı çalışıp mevcut üretim iş akışlarıyla sorunsuz biçimde bütünleşen makine görüşü sistemleri, kalite kontrolü daha verimli, doğru ve ölçeklenebilir hâle getirir.

Operasyonlarına görsel yapay zekâ katmak ister misin? Büyüyen topluluğumuza katıl ve daha fazla bilgi edinmek için GitHub depomuzu incele. Üretimde yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü gibi uygulamalar hakkında daha fazla bilgi edin. Bilgisayarlı görüye başlamak için lisanslama seçeneklerimize göz at.