Vizyon odaklı yapay zeka üretim hatlarındaki kusur algılamayı nasıl geliştirir

Küçük bir hata veya anomali ilk başta önemsiz görünebilir, ancak zamanla baskı altında büyüyerek maliyetli onarımlara, ürün geri çağırmalara ve tüketici güveninin kaybına yol açabilir. Sadece manuel denetime güvenmek bu riski artırır ve bu durum çeşitli sektörler için 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 zorlukları aşmak için üreticiler bilgisayarlı görü sistemlerini benimsiyor. Bilgisayarlı görü, makinelerin görsel verileri analiz etmesini ve yorumlamasını sağlayan bir yapay zeka (YZ) dalıdır. Bu sistemler, hattaki ürünleri sürekli 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 kusuru tespit örnekleri (Kaynak)

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

Link to this sectionİmalat otomasyonunda kusur tespitine duyulan ihtiyaç#

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

• 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.

Link to this sectionGörü 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 halihazırda imalat tesislerinde kullanıyor. Hatta küresel yapay zeka endüstriyel kusur tespit pazarı 2035 yılına kadar 6,07 milyar dolara ulaşacak.

Bu büyümenin ardındaki temel etken, bilgisayarlı görü modellerinin nadir görülen kusurları bile tespit edebilme yeteneğidir. Etiketli 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 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.

Link to this sectionGörü 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 (Kaynak)

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.

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

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

YOLO26 gibi son teknoloji görü yapay zeka 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.
• Nesne algılama: Modellerin bir görüntü içindeki kusurları tanımlamasını ve bulmasını sağlar. Çatlaklar, ezikler, lekeler veya eksik parçalar gibi sorunların etrafına sınırlayıcı kutular çizerek 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 bilgisayarlı görü görevlerinin kullanımı (Kaynak)

Link to this sectionÜretim 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.

Link to this sectionÇelik 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 saclardaki kusurlara bir bakış (Kaynak)

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

Gıda üreticileri, her paketin içine ne girdiğine çok dikkat eder. Ancak eksik saşeler, yanlış sayımlar veya kötü sızdırmazlık gibi ambalaj hataları yine de oluşabilir.

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.

Link to this sectionAhşap 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 (Kaynak)

Link to this sectionÖne 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 operasyonlarına dahil etmek ister misin? Büyüyen topluluğumuza katıl ve daha fazlasını öğrenmek için GitHub depomuzu incele. Üretimde yapay zeka ve sağlık hizmetlerinde bilgisayarlı görü gibi uygulamalar hakkında daha fazla bilgi keşfet. Bilgisayarlı görüye başlamak için lisanslama seçeneklerimize göz at.