Vision AI üretim hatlarında kusur tespitini nasıl iyileştirir

Küçük bir hata veya anomali ilk başta önemsiz görünebilir, ancak zamanla baskı altında büyüyerek maliyetli onarımlara, ürün geri çağırmalarına ve tüketici güveninin kaybına yol açabilir. Sadece manuel kontrole güvenmek bu riski artırır ve bu durum çeşitli endüstriler için geçerlidir.

Ürünlerdeki küçük çatlaklar, ezikler, hafif hizalama bozuklukları ve yüzey kusurları, özellikle hızlı hareket eden ve yüksek hacimli üretim ortamlarında tespit edilmesi zor olabilir. Manuel denetim, üretim daha yavaş ve daha az karmaşıkken iyi sonuç verse de, günümüzün üretim hatları tamamen farklı bir ölçekte çalışıyor.

Süreçler eskisinden daha hızlı, daha otomatik ve daha zorlu hale geldi. Geleneksel kalite kontrol yöntemleri artık bu hıza ayak uyduramıyor.

Üreticiler bu zorlukları aşmak için bilgisayarlı görü sistemlerini benimsiyor. Bilgisayarlı görü, makinelerin görsel verileri analiz etmesini ve yorumlamasını sağlayan bir yapay zeka (AI) dalıdır. Bu sistemler, hat üzerindeki ürünleri sürekli olarak izleyebilir ve düzensiz desenleri veya kusurları otomatik olarak tanımlayabilir.

For instance, computer vision models, such as Ultralytics YOLO26, support various real-time vision tasks like object detection, instance segmentation, and image classification. Specifically for defect detection, these models can scan product surfaces as they move along production lines, identify irregular patterns, detect small cracks or dents, and flag defects in real time.

Şekil 1. Metal yüzey kusur tespiti örnekleri (Kaynak)

Bu makalede, kusur tespiti için bilgisayarlı görü kullanımını inceleyeceğiz ve akıllı üretim hatlarında üreticilerin ürün kalitesini korumasına nasıl yardımcı olduğunu göreceğiz. Hadi başlayalım!

Link to this sectionÜretim otomasyonunda kusur tespiti ihtiyacı#

İşte akıllı üretim ortamlarında yapay zeka destekli tespiti bu kadar temel kılan ana faktörlerden bazıları:

• Zorlu üretim ortamları: Üretim tesisleri genellikle toz, ısı, titreşim ve değişken aydınlatma gibi koşullarda faaliyet gösterir. Güvenilir kusur tespiti, bu çevresel faktörlere rağmen tutarlı bir şekilde çalışmalıdır.
• İşgücü bağımlılığı: Geleneksel denetim, insan operatörlere dayanır. Üretim ölçeklendikçe, vardiyalar ve uzun çalışma saatleri boyunca tutarlı bir doğruluk sağlamak giderek zorlaşır.
• Operasyonel zorluklar: Montaj hatları yüksek hızda çalışır. Denetim sistemlerinin bu tempoya ayak uydurması ve iş akışını kesintiye uğratmadan her ürünü değerlendirmesi gerekir.
• Kusurların maliyeti: Bir kusur ne kadar erken tespit edilirse, düzeltme maliyeti o kadar düşük olur. Özellikle sevkiyattan sonraki geç aşama tespitleri; yeniden işleme, atık ve ürün geri çağırmalarına yol açabilir.
• Tutarlılık ve izlenebilirlik gereksinimleri: Birçok şirket kalite standartlarını korumaya odaklanır. Otomatik sistemler denetim verilerini kaydeder, böylece sonuçları takip etmeyi, şeffaflığı sağlamayı ve hesap verebilirliği korumayı kolaylaştırır.

Link to this sectionGörü tabanlı kusur tespiti nedir?#

Görü destekli kusur tespiti, üretim sırasında ürün kusurlarını tanımlamak için kamera ve bilgisayarlı görü sistemlerine dayanır. Bu sistemler, ürünler üretim hattında ilerlerken onları tarar ve kalite standartlarını karşılayıp karşılamadıklarını doğrular.

Birçok şirket bunu üretim tesislerinde halihazırda kullanıyor. Hatta küresel yapay zeka endüstriyel kusur tespiti pazarı 2035 yılına kadar 6,07 milyar dolara ulaşacak.

Bu büyümenin ardındaki temel etken, bilgisayarlı görü modellerinin nadir kusurları bile tespit edebilme yeteneğidir. Etiketlenmiş örnek görüntüler üzerinde eğitim alarak, YOLO26 gibi modeller çok çeşitli sorunları tanımayı öğrenebilir.

Link to this sectionÇeşitli kusur türleri#

Gerçek dünya üretim ortamlarında kusurlar birçok biçimde ortaya çıkabilir. İşte bilgisayarlı görü ve görüntü işleme teknolojileri kullanılarak tanımlanabilen yaygın sorunlardan bazıları:

• Yüzey kusurları: Bunlar çizikler, ezikler, çatlaklar, renk bozulmaları ve diğer yüzey hatalarını içerir.
• Boyutsal kusurlar: Bu kusurlar, bir ürünün yanlış boyutta, yanlış hizalanmış veya şekil sorunlarına sahip olması durumunda meydana gelir.
• Montaj kusurları: Parçalar eksik, yanlış yerleştirilmiş veya montaj hattında yanlış hizalanmış olduğunda, ürün performansını ve genel kaliteyi etkileyebilecek montaj kusurları oluşur.
• Üretim kusurları: Bunlar, malzeme, ekipman veya süreç kontrolündeki hatalar nedeniyle üretim sürecinde ortaya çıkar. Örneğin, baskılı devre kartları (PCB) veya yarı iletkenlerin üretiminde; yanlış hizalanmış katmanlar, eksik lehim noktaları veya kirlenme gibi sorunlar, süreç varyasyonlarından kaynaklanabilir ve kusurlu bileşenlere yol açabilir.
• Baskı veya etiketleme kusurları: Bunlar metnin bulanık olması, baskının düzensiz olması, bilgilerin eksik olması veya ürün veya ambalaj üzerindeki etiketlerin yanlış yerleştirilmesi durumunda ortaya çıkar.

Link to this sectionGörü destekli kusur tespiti nasıl çalışır#

Şimdi, kamera sistemleri ve görü tabanlı yapay zeka modelleri kullanan bir kusur tespit sisteminin nasıl çalıştığına daha yakından bakalım.

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

Görüntüler eğitim verisi görevi görür. Bir bilgisayarlı görü modeli, hem iyi hem de kusurlu ürün örnekleri üzerinde eğitilebilir, böylece aralarındaki farkı doğru bir şekilde ayırt etmeyi öğrenebilir.

Örneğin, şişe kapağı denetiminde kapaklar boyut, renk ve şekil bakımından farklılık gösterebilir. Bir görü sistemi, ürünler üretim hattında ilerlerken yüzey kusurlarını, hizalama bozukluklarını veya yapısal hataları tanımlamak için kullanılabilir. Bir sorun tespit edildiğinde, hemen işaretlenir.

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

Kuruluma bağlı olarak, yapay zeka destekli denetim sistemleri doğrudan montaj hatlarında çalışabilir ve hızlı karar almayı destekleyebilir. Gerçek dünya üretim ortamlarında, böyle bir otomatik sistem tutarlılığı artırır, kalite denetimini güçlendirir ve büyük ölçekli kusur tespitini daha güvenilir hale getirir.

Link to this sectionKusur tespiti için kullanılan temel bilgisayarlı görü görevleri#

Tipik olarak, görü tabanlı yapay zeka kusur tespit sistemleri bir dizi bilgisayarlı görü görevine dayanır. Bu görevlerin her biri, kalite denetim sürecinde önemli bir rol oynar.

YOLO26 gibi en gelişmiş görü tabanlı yapay zeka modelleri bu görevleri destekler ve onları gerçek dünya üretim ortamları için güvenilir kılar. İşte bu görevlerden bazılarına bir bakış:

• Görüntü sınıflandırma: Sınıflandırma, en basit bilgisayarlı görü görevidir. Bir görüntüyü analiz eder ve onu "kusurlu" veya "kusursuz" gibi kategorilere ayırır.
• Nesne algılama: Modellerin bir görüntü içindeki kusurları tanımlamasını ve konumlandırmasını sağlar. Çatlaklar, ezikler, lekeler veya eksik parçalar gibi sorunların etrafına sınırlayıcı kutular çizerek denetim sürecini daha hassas ve yorumlanması daha kolay hale getirebilir.
• Nesne takibi: Bu görev, bir ürünü veya tespit edilen bir kusuru kareler arasında takip etmek için kullanılır. Denetimde sürekliliği sağlamaya yardımcı olur ve kusurların birden fazla kez sayılmasını önler.
• Örnek bölütleme: Görüntü bölütleme, bir kusurun tam şeklini ve alanını piksel düzeyinde ana hatlarıyla belirtir. Bu ayrıntı düzeyi, bir kusurun boyutunu, yayılımını veya ciddiyetini ölçerken kullanışlıdır.
• Yönelimli sınırlayıcı kutu (OBB) algılama: OBB algılama, kusurun yönüyle hizalanmış döndürülmüş kutular çizmek için kullanılır. Bu, özellikle dar veya eğik kusurlarla uğraşırken doğruluğu artırır.

Şekil 3. Döküm kusur tespiti için farklı bilgisayarlı görü görevlerinin kullanımı (Kaynak)

Link to this sectionÜretim süreci iyileştirme için makine görme uygulamaları#

Makine görme; üretim süreçlerini gerçek zamanlı olarak otomatik olarak denetlemek, analiz etmek ve yönlendirmek için kameraların, sensörlerin ve görüntü işleme yazılımlarının kullanılmasını içerir ve otomotiv, elektronik, ilaç, yiyecek ve içecek ile tüketim malları üretimi gibi endüstrilerde yaygın olarak kullanılır.

Şimdi, makine görmenin üretim süreci boyunca kaliteyi, verimliliği ve tutarlılığı nasıl artırabileceğini gösteren bazı gerçek dünya örneklerine göz atalım.

Link to this sectionÇelik üretiminde görsel denetim#

Metal çelik levha üretimi söz konusu olduğunda, kusurlar genellikle incedir. Örneğin, bir levha ilk bakışta pürüzsüz görünebilirken, haddeleme veya ısıl işlem sırasında oluşan ince bir çiziği veya yüzey kusurunu gizleyebilir. Üretim hatlarından saatte binlerce levha geçerken, manuel denetime güvenmek giderek daha zor hale gelir.

Doğruluğu artırmak için üreticiler, doğrudan üretim hatlarına bilgisayarlı görü sistemleri yerleştiriyor. Bu sistemler yüzey dokusunu, hizalamayı ve yapısal desenleri gerçek zamanlı olarak analiz eder. Herhangi bir düzensizlik tespit edilirse, daha fazla işlem için derhal işaretlenir.

Şekil 4. Çelik levhalardaki kusurlara bir bakış (Kaynak)

Link to this sectionBilgisayarlı görü ile daha akıllı gıda paketleme kalite kontrolü#

Gıda üreticileri, her paketin içine ne girdiğine çok dikkat eder. Ancak, eksik paketler, yanlış sayımlar veya kötü sızdırmazlık gibi paketleme hataları yine de meydana gelebilir.

Bu sorunlar küçük görünebilir, ancak bunlar ürün kusuru olarak nitelendirilir ve genellikle müşteri şikayetlerine yol açar. Riski azaltmak için üreticiler, hat içi kalite denetimi için bilgisayarlı görü sistemlerinden yararlanıyor.

Bu sistemler, ürünler üretim hattı boyunca ilerlerken ürün sayısını, düzenini ve görünürlüğünü izler. Her paket bilgisayarlı görü modelleri tarafından dikkatlice değerlendirilir ve yerinde olmayan her şey hemen işaretlenir.

Her birimi gerçek zamanlı olarak inceleyerek, bu denetim sistemleri kusurlu ürünlerin tesisi terk etmeden önce ayıklanmasına yardımcı olur. Bu, tutarlılığı artırır, kalite kontrolünü güçlendirir ve operasyonları kesintiye uğratmadan büyük ölçekli kusur tespitini destekler.

Link to this sectionAhşap üretim sürecinde kusur tespitinin optimizasyonu#

Ahşap doğal bir malzemedir ve her ahşap levhanın benzersiz özellikleri vardır. Örneğin, budaklar, çatlaklar, düzensiz damarlar ve yüzey ayrılmaları yaygındır.

Bazıları kozmetik olsa da, diğerleri yapısal gücü azaltır ve ürün değerini düşürür. Hızlı hareket eden üretim hatlarında, her ahşap levhayı manuel olarak incelemek tutarsız kalite kontrolüyle sonuçlanabilir.

Bu süreci iyileştirmek için tesisler, otomatik kusur tespiti için bilgisayarlı görü sistemleri kullanıyor. Levhalar üretim hattından geçerken, ahşap levhanın ayrıntılı yüzey görüntüleri yakalanır. Ardından, bir görü modeli gerçek zamanlı olarak doku varyasyonlarını ve damar desenlerini analiz ederek olası ürün kusurlarını tanımlayabilir.

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

Link to this sectionÖnemli çıkarımlar#

Görü tabanlı yapay zeka, üreticilerin üretim hattındaki gerçek zamanlı izleme ile 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, tutarlı standartlar sağlar ve yüksek kaliteli ürünlerin teslimatını destekler. Gerçek zamanlı çalışarak ve mevcut üretim iş akışlarıyla sorunsuz bir şekilde bütünleşerek, makine görme sistemleri kalite kontrolünü daha verimli, doğru ve ölçeklenebilir hale getirir.

Operasyonlarınıza görü tabanlı yapay zekayı dahil etmek ister misiniz? Büyüyen topluluğumuza katılın ve daha fazla bilgi edinmek için GitHub depomuzu keşfedin. Üretimde yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi uygulamalar hakkında daha fazla bilgi edinin. Bilgisayarlı görü ile çalışmaya başlamak için lisanslama seçeneklerimize göz atın.