Vizyon odaklı yapay zeka üretim hatlarındaki kusur algılamayı nasıl geliştirir

Ufak bir kusur veya anomaly ilk başta çok önemli görünmeyebilir, ancak zamanla baskı altında büyüterek maliyetli onarımlara, ürün geri çağırmalarına ve tüketici güveninin kaybolmasına yol açabilir. Yalnızca manuel denetime güvenmek bu riski artırır ve bu durum çeşitli endüstrilerde geçerlidir.

Ürünlerdeki küçük çatlaklar, ezikler, hafif kaymalar ve yüzey kusurları, özellikle hızlı ve yüksek hacimli üretim ortamlarında tespit edilmesi zor olabilir. Manuel denetim, imalat daha yavaş ve daha az karmaşıkken işe yarasa da, günümüzdeki üretim hatları tamamen farklı bir ölçekte çalışıyor.

Süreçler eskisinden daha hızlı, daha otomatize ve daha zorlu. Geleneksel kalite kontrol yöntemleri artık bu hıza yetişemiyor.

Bu zorlukların üstesinden gelmek için üreticiler computer vision sistemlerini benimsiyor. Computer vision, makinelerin görsel verileri analiz etmesine ve yorumlamasına olanak tanıyan bir yapay zeka (AI) dalıdır. Bu sistemler, üretim hattındaki ürünleri sürekli olarak izleyebilir ve düzensiz desenleri veya kusurları otomatik olarak tespit edebilir.

Örneğin, Ultralytics YOLO26 gibi computer vision models, nesne tespiti, örnek bölütleme ve görüntü sınıflandırma gibi çeşitli gerçek zamanlı vizyon görevlerini destekler. Özellikle kusur tespiti için bu modeller, ürünler üretim hatları boyunca ilerlerken yüzeylerini tarayabilir, düzensiz desenleri belirleyebilir, küçük çatlakları veya ezikleri tespit edebilir ve kusurları gerçek zamanlı olarak işaretleyebilir.

Şekil 1. Metal yüzey kusur tespiti örnekleri (Source)

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

İmalat otomasyonunda kusur tespitine duyulan ihtiyaç#

smart manufacturing ortamlarında AI tabanlı tespiti bu kadar önemli kılan başlıca faktörlerden bazılarına göz atalım:

• Zorlu üretim ortamları: İmalat tesisleri genellikle toz, ısı, titreşim ve değişken aydınlatma gibi koşullarda çalışır. Güvenilir bir kusur tespiti, bu çevresel faktörlere rağmen tutarlı bir şekilde çalışmalıdır.
• İş gücüne bağımlılık: Geleneksel denetim, insan operatörlere dayanır. Üretim ölçeklendikçe, vardiyalar ve uzun çalışma saatleri boyunca tutarlı doğruluk sağlamak giderek zorlaşır.
• Operasyonel zorluklar: Montaj hatları yüksek hızda çalışır. Denetim sistemlerinin bu hıza 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 tespiti, yeniden işlemeye, israfa ve ürün geri çağırmalara neden olabilir.
• Tutarlılık ve izlenebilirlik gereksinimleri: Birçok şirket kalite standartlarını korumaya odaklanır. Otomatize sistemler denetim verilerini kaydeder; bu da sonuçları takip etmeyi, şeffaflığı sağlamayı ve hesap verebilirliği korumayı kolaylaştırır.

Görü tabanlı kusur tespiti nedir?#

Görü destekli kusur tespiti, imalat sırasında ürün kusurlarını tanımlamak için kameralara ve bilgisayarlı görü sistemlerine dayanır. Bu sistemler, üretim hattında hareket eden malları tarar ve kalite standartlarına uygunluklarını doğrular.

Birçok şirket bunu şimdiden üretim tesislerinde kullanıyor. Aslında, küresel AI endüstriyel defect detection market büyüklüğünün 2035 yılına kadar 6,07 milyar dolara ulaşması bekleniyor.

Bu büyümenin arkasındaki temel itici güç, bilgisayarlı görü modellerinin nadir kusurları bile tespit edebilme yeteneğidir. Etiketlenmiş örnek görseller üzerinde eğitim alarak, Ultralytics YOLO26 gibi modeller geniş bir sorun yelpazesini tanımayı öğrenebilir.

Çeşitli kusur türleri#

Gerçek dünya üretim ortamlarında kusurlar birçok biçimde ortaya çıkabilir. İşte bilgisayarlı görü ve görüntü işleme teknolojileri kullanılarak tanımlanabilecek bazı yaygın sorunlar:

• Yüzey kusurları: Bunlar çizikleri, ezikleri, çatlakları, renk bozulmalarını ve diğer yüzey hatalarını içerir.
• Boyutsal kusurlar: Bu kusurlar, bir ürün yanlış boyutta olduğunda, hizalanmadığında veya şekil sorunlarına sahip olduğunda ortaya çıkar.
• Montaj kusurları: Parçalar eksik, yanlış yerleştirilmiş veya montaj hattında yanlış hizalanmış olduğunda, ürün performansını ve genel kaliteyi etkileyebilecek montaj kusurları oluşur.
• İmalat kusurları: Bunlar üretim süreci sırasında malzemelerden, ekipmandan veya süreç kontrolündeki hatalardan kaynaklanır. Örneğin, baskılı devre kartları (PCB) veya yarı iletkenlerin imalatında, yanlış hizalanmış katmanlar, eksik lehim bağlantıları veya kirlenme gibi sorunlar süreç değişkenliklerinden kaynaklanabilir ve hatalı bileşenlere yol açabilir.
• Baskı veya etiketleme kusurları: Bunlar metin bulanık olduğunda, baskı düzensiz olduğunda, bilgi eksik olduğunda veya etiketler ürün veya ambalaj üzerine yanlış yerleştirildiğinde meydana gelir.

Görü destekli kusur tespiti nasıl çalışır?#

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

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

Görüntüler eğitim verisi olarak işlev 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, üretim hattı boyunca hareket ederken yüzey kusurlarını, yanlış hizalamaları veya yapısal hataları tanımlamak için kullanılabilir. Bir sorun tespit edildiğinde, bu durum anında işaretlenir.

Şekil 2. Farklı boyut ve renklerdeki şişe kapaklarındaki çeşitli kusurların tespiti (Source)

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

Kusur tespiti için kullanılan temel bilgisayarlı görü görevleri#

Genellikle vision AI tabanlı kusur tespiti sistemleri bir dizi computer vision tasks üzerine kuruludur. Bu görevlerin her biri kalite denetim sürecinde önemli bir rol oynar.

Ultralytics YOLO26 gibi son teknoloji ürünü görü yapay zekası modelleri bu görevleri destekleyerek 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.
• Object detection: Modellerin bir görüntü içindeki kusurları tanımlamasını ve konumlandırmasını sağlar. Çatlaklar, ezikler, lekelenmeler veya eksik parçalar gibi sorunların etrafına sınırlayıcı kutular çizebilir, böylece denetim sürecini daha hassas ve yorumlanması daha kolay hale getirir.
• Nesne takibi: Bu görev, bir ürünü veya tespit edilen bir kusuru kareler arasında izlemek için kullanılır. Denetimde sürekliliği sağlamaya yardımcı olur ve kusurların birden fazla sayılmasını önler.
• Örnek segmentasyonu: Görüntü segmentasyonu, bir kusurun tam şeklini ve alanını piksel düzeyinde ana hatlarıyla belirtir. Bu ayrıntı düzeyi, bir hatanın 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 hatalarla uğraşırken doğruluğu artırır.

Şekil 3. Döküm kusuru tespiti için farklı computer vision görevlerinin kullanılması (Source)

Üretim süreci iyileştirmesi için makine görmesi uygulamaları#

Makine görmesi; 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 tüketici ürünleri imalatı gibi sektörlerde yaygın olarak kullanılır.

Şimdi, makine görmesinin üretim süreci boyunca kaliteyi, verimliliği ve tutarlılığı nasıl artırabileceğini gösteren bazı gerçek dünya örneklerini inceleyelim.

Çelik imalatında görsel denetim#

Metal çelik sac imalatı söz konusu olduğunda, kusurlar genellikle incedir. Örneğin, bir sac ilk bakışta pürüzsüz görünebilir ancak haddeleme veya ısıl işlem sırasında oluşan ince bir çiziği veya yüzey hatasını gizliyor olabilir. Üretim hatlarından her saat başı binlerce sac geçerken, manuel denetime güvenmek giderek zorlaşmaktadır.

Doğruluğu artırmak için üreticiler, bilgisayarlı görü sistemlerini doğrudan üretim hatlarına 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 (Source)

Bilgisayarlı görü ile daha akıllı gıda ambalajı kalite kontrolü#

Food manufacturers her paketin içine ne girdiğine çok dikkat eder. Ancak yine de eksik poşetler, yanlış sayımlar veya zayıf mühürleme gibi paketleme hataları meydana gelebilir.

Bu sorunlar önemsiz 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 hareket ederken 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 hatalı ürünleri tesisi terk etmeden önce ayıklamaya yardımcı olur. Bu, tutarlılığı artırır, kalite kontrolü güçlendirir ve operasyonları kesintiye uğratmadan büyük ölçekli kusur tespitini destekler.

Ahşap imalat 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 dayanıklılığı azaltır ve ürün değerini düşürür. Hızlı hareket eden üretim hatlarında, her ahşap levhayı manuel olarak denetlemek 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 doku farklılıklarını ve damar desenlerini gerçek zamanlı olarak analiz ederek potansiyel ürün kusurlarını tanımlayabilir.

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

Öne çıkanlar#

Görü tabanlı yapay zeka, üreticilerin üretim hattı genelinde gerçek zamanlı izleme ile kalite denetimini geliştirmelerine yardımcı oluyor. Öğeler üretim sürecinin her aşamasından geçerken, bilgisayarlı görü modelleri görüntüleri analiz eder ve düzensizlikleri yüksek hassasiyetle anında işaretler.

Bu sürekli denetim, tutarlı standartlar sağlar ve yüksek kaliteli ürünlerin teslimatını destekler. Gerçek zamanlı çalışarak ve mevcut imalat iş akışlarıyla sorunsuz bir şekilde entegre olarak, makine görmesi sistemleri kalite kontrolü daha verimli, doğru ve ölçeklenebilir hale getirir.

Vision AI'ı operasyonlarınıza taşımak mı istiyorsunuz? Büyüyen community topluluğumuza katılın ve daha fazlasını öğrenmek için GitHub repository deponuzu keşfedin. AI in manufacturing ve computer vision in healthcare gibi uygulamalar hakkında daha fazla bilgi keşfedin. Computer vision ile başlamak için licensing options seçeneklerimize göz atın.