Üretimde kalite denetimi: Geleneksel ve derin öğrenme yöntemleri karşılaştırması

Kalite denetimi, ürünlerin gerekli kalite standartlarını karşılamasını sağlayan üretim sürecindeki kritik bir görevdir. Ancak ürün karmaşıklığı arttıkça, geleneksel denetim yöntemleriyle kaliteyi değerlendirmek maliyetli olabilir.

Üreticiler, denetim maliyetlerini azaltmak için nesne algılama ve anlamsal segmentasyon gibi derin öğrenme tabanlı denetim tekniklerine yöneliyor. Derin öğrenme, verilerdeki karmaşık örüntüleri belirlemek için sinir ağları adı verilen bilgisayar algoritmalarını kullanan bir yapay zekâ (AI) alt dalıdır. Bu teknikler, görüntü ve videolar da dâhil olmak üzere kapsamlı veri kümelerini analiz ederek denetim iş akışının otomatikleştirilmesine ve insan denetçilere olan bağımlılığın azaltılmasına yardımcı olur.

Çok yönlülüğü ve maliyet etkinliği sayesinde AI tabanlı kalite güvencesi, işletme kârlılığını önemli ölçüde artırır. Raporlar, üretim sektörünün 2035 yılına kadar AI'dan 3 trilyon ABD dolarından fazla kazanç sağlayabileceğini öne sürüyor.

Bu makalede, derin öğrenme yöntemlerinin kalite denetimini nasıl iyileştirebileceği ve Ultralytics YOLO11'in çeşitli sektörlerde denetimi nasıl geliştirebileceği ele alınacaktır.

Üretimde kalite denetimi nedir?#

Kalite denetimi, bir ürünün tüketiciye ulaşmadan önce kusurları, anormallikleri veya tutarsızlıkları olup olmadığını değerlendirir.

Süreç, ürünün montaj hattından geçtiği üretim sırasında veya üretimden sonra, ancak ürünler dağıtım hattına aktarılmadan önce gerçekleşebilir.

Çoğu zaman, ürünün istenen tasarım standartlarından sapıp sapmadığını veya bu standartları karşılayıp karşılamadığını görmek için insan uzmanların görsel değerlendirme yapmasını içerir.

Ancak kalite talepleri arttıkça üreticiler, operasyonlarında daha fazla çeviklik ve ölçeklenebilirlik elde etmek için otomatikleştirilmiş derin öğrenme yaklaşımlarına yöneliyor.

Derin öğrenme yaklaşımları nelerdir?#

Derin öğrenme yaklaşımları, insan beyninin çalışma ilkelerini temel alan yapay sinir ağlarını kullanır. Ağlar, birbirine bağlı nöron katmanlarından oluşur. Her nöron, verileri analiz etmek, örüntüleri belirlemek ve tahmin üretmek için matematiksel bir hesaplama gerçekleştirir.

Şekil 1. Yapay sinir ağı.

Kalite denetiminde derin öğrenme modelleri, ürün görüntülerinden özellikleri otomatik olarak öğrenen ve çıkaran bilgisayarlı görü çerçevelerini içerir.

Bilgisayarlı görü modelleri geliştirmek için uzmanların bir sinir ağını ilgili veri kümeleri üzerinde eğitmesi ve performansı kontrol etmek için yeni bir veri kümesi üzerinde doğrulama çalıştırması gerekir.

Doğrulama tamamlandıktan sonra uzmanlar bu modelleri PyTorch, ONNX ve OpenVINO gibi çeşitli dağıtım araçlarını kullanarak kameralara ve sensörlere dağıtabilir.

Kalite denetimi için derin öğrenme yaklaşımları#

Görüntü tabanlı kalite denetimi, hasarları, çatlakları ve eksik öğeleri algılamak ve konumlandırmak için birden fazla yöntem kullanır. Aşağıdaki listede dört modern derin öğrenme yaklaşımı ele alınmaktadır.

İkili sınıflandırma#

İkili sınıflandırma, görüntüleri iki sınıftan birine ayırma görevini ifade eder; örneğin bir nesnede kusur bulunup bulunmadığını belirlemek.

Bir sınıflandırma modeli, görsel verilere dayanarak ikili bir evet/hayır kararı verir. Bu modeller eksik öğeleri algılamaya yardımcı olur. Örneğin bir sınıflandırma modeli, bir üründe bir öğenin eksik olup olmadığını algılayabilir.

Şekil 2. Bir otomobil parçasının ikili sınıflandırması.

Çok sınıflı sınıflandırma#

Çok sınıflı sınıflandırma, görüntüleri ikiden fazla sınıfa ayırma görevidir. Her görüntüyü önceden tanımlanmış çeşitli kategorilerden birine atar.

Örneğin çok sınıflı bir sınıflandırma modeli, bir ürünün görüntüsünü analiz ederek birden fazla hasar veya çatlak türü için olasılıklar döndürebilir ve hangisinin mevcut olma ihtimalinin en yüksek olduğunu gösterebilir.

Şekil 3. Eğilme ve renk kusurlarını algılayan çok sınıflı sınıflandırma.

Bu, çizikler, ezikler veya çatlaklar gibi çeşitli kusurların farklı işlem prosedürleri gerektirebildiği üretim süreçlerinde kullanışlıdır.

Konumlandırma#

Konumlandırma, bir görüntü içindeki nesnenin veya özelliğin belirli konumunu tanımlamayı ifade eder. Hasarın belirli bölgesini vurgulayan sınırlayıcı kutuları veya koordinatları tahmin etmek için nesne algılama modellerini kullanır.

Bu yöntem, bir kusurun kesin konumunun hedefli onarımlar için gerekli olduğu binalarda veya endüstriyel parçalarda çatlak algılama gibi görevlerde kullanışlıdır.

Şekil 4. Zımbalama deliğini konumlandıran model.

Örneğin altyapı bakımında konumlandırma modelleri, beton bir yapının görüntülerini analiz ederek çatlağın bulunduğu kesin alanı işaretleyebilir.

Çok sınıflı konumlandırma#

Çok sınıflı konumlandırma, bir görüntü içindeki birden fazla kusuru tanımlar ve konumlandırırken her kusuru önceden tanımlanmış çeşitli kategorilerden birine sınıflandırır.

Daha ayrıntılı bilgi sunmak için bir kusurun türünü ve konumunu belirleyen daha gelişmiş nesne algılama modellerini kullanır.

Şekil 5. Birden fazla kusur türünü konumlandıran model.

Örneğin çok sınıflı bir konumlandırma modeli, hasarlı bir öğenin görüntüsünü analiz ederek çizik veya çatlak gibi kusurun türünü ve nesne içindeki kesin koordinatlarını gösterebilir.

Geleneksel ve derin öğrenme yaklaşımları#

Geleneksel denetim yöntemleri daha katıdır; eşikler, önceden tanımlanmış kontrol listeleri ve geçti/kaldı ölçütleri gibi kullanıcı tanımlı kuralları ve standartları izler.

Örneğin kural tabanlı görü tekniklerinde uzmanlar, belirli bir ürünün ideal rengini, şeklini ve boyutunu tanımlar. Bir kamera veya başka bir görüntü yakalama cihazı bu standartlardan sapmalar algılarsa sistem uzmanları bilgilendirir.

Derin öğrenme yaklaşımları, daha karmaşık algılama sistemleri oluşturmak için daha fazla esneklik sunar. Bu yaklaşımlar, kusurlu nesnelerin görüntülerinden oluşan kapsamlı veri kümelerini toplamayı ve etiketlemeyi içerir. Uzmanlar, Ultralytics YOLO11 gibi nesne algılama modellerini eğitmek için etiketlenmiş verileri kullanır. Eğitim tamamlandıktan sonra modeli kameralara veya sensörlere dağıtarak görüntüleri yakalayabilir ve kusurları gerçek zamanlı olarak belirleyebilirler.

Sonraki bölümde Ultralytics YOLO11'in kalite denetimi için nasıl kullanılabileceğine göz atacağız.

Kalite denetimi için bilgisayarlı görü kullanımı#

Yalnızca Bir Kez Bak (YOLO), yüksek doğruluğu, uyarlanabilirliği ve hızıyla tanınan, son teknoloji (SOTA) gerçek zamanlı bir nesne algılama modelidir. En yeni sürümü, özellik çıkarma, hız, doğruluk ve uyarlanabilirlik açısından önceki sürümleri geliştiren Ultralytics YOLO11'dir.

Daha kesin özellik çıkarımı için daha iyi bir mimariye sahiptir ve daha hızlı işlem hızları için optimize edilmiş eğitim işlem hatları içerir. Önceki sürümlerine kıyasla %22 daha az parametreyle daha hesaplama verimlidir ve daha yüksek doğruluk skorlarına sahiptir.

Çok yönlülüğü sayesinde Ultralytics YOLO11, birden fazla alandaki kalite denetimi iş akışlarının iyileştirilmesine yardımcı olabilir. Nesne algılama ve segmentasyon gibi görevleri gerçekleştirerek ürünlerdeki anormallikleri, hasarları, çatlakları, eksik öğeleri ve ambalaj hatalarını algılamaya yardımcı olabilir.

Bilgisayarlı görü modellerinin üretim sektöründe kullanılabileceği birkaç yönteme göz atalım.

Elektronikte eksik öğelerin ve yanlış yerleştirilmiş parçaların algılanması#

Bilgisayarlı görü modelleri, bir üründe gerekli tüm öğelerin bulunup bulunmadığını kontrol edebilir. Bütünlüğü sağlamak için monte edilmiş ürünlerdeki eksik bileşenleri algılayabilir.

Elektronik üretiminde eksik bileşenleri, hizası bozulmuş parçaları veya lehimleme sorunlarını belirlemek, nihai ürünün güvenilir ve doğru işlevlere sahip olmasını sağlamak açısından kritik öneme sahiptir.

YOLO11 gibi nesne algılama modelleri, devre kartlarındaki eksik veya yanlış yerleştirilmiş bileşenleri algılamak üzere eğitilebilir. Kart görüntülerini gerçek zamanlı olarak analiz ederek eksik dirençler veya kapasitörler gibi kusurları belirleyebilir. Bu, gönderimden önce her birimin montajının doğru olmasını sağlar.

Otomotiv parçalarındaki çatlakların algılanması#

Çatlak algılama, bir çatlağın konumunu, boyutunu ve ciddiyetini belirlemek için görüntüleri veya sensör verilerini analiz eden başka bir algılama görevidir.

Otomotiv sektörü, güvenlik standartlarını karşılamalarını sağlamak için dişliler ve fren sistemleri gibi birden fazla bileşendeki çatlakların algılanmasının gerekli olduğu alanlardan biridir.

Ultralytics YOLO11 gibi modeller, karmaşık otomotiv bileşenlerindeki yüzey çizikleri veya çatlaklar gibi kusurları hızlı bir şekilde algılamak üzere eğitilebilir.

Tekstilde hasar algılama#

Bilgisayarlı görü, bilgisayarlı görü görevlerini kullanarak bir ürünün yüzeyindeki çizikler, ezikler ve deformasyonlar gibi çeşitli hasar türlerini algılamaya yardımcı olabilir.

Tekstil sektörü, Ultralytics YOLO11 gibi nesne algılama ve segmentasyon modellerini kullanarak AI tabanlı hasar algılamadan önemli ölçüde yararlanabilir. Bu modeller üretim sürecinde yırtık, delik, leke veya kumaş tutarsızlıkları gibi kusurları belirleyebilir.

İlaç üretiminde anomali algılama#

Anomali algılama, bu özelliklerin istenen standartlardan sapıp sapmadığını değerlendirmek için bir ürünün tasarımını, yapısını, görünümünü ve boyutunu analiz etme görevini ifade eder.

İlaç üretiminde anomali algılama, ilaç ürünlerinin kalitesini ve güvenliğini sağlamak için hayati önem taşır. Üreticiler, tablet şekillerindeki ve boyutlarındaki tutarsızlıklar, renk değişimleri veya yabancı parçacıklar gibi düzensizlikleri algılamak için Ultralytics YOLO11'i kullanabilir.

Ambalajlama ve etiketleme doğruluğu#

Bilgisayarlı görü modellerinin üretimde nasıl kullanılabileceğine başka bir örnek de çeşitli sektörlerdeki ambalajlama ve etiketleme süreçleridir. Örneğin yiyecek ve içecek sektörü, tüketici güvenliği ve mevzuata uygunluk için katı standartları karşılamalıdır.

Ultralytics YOLO11 gibi modeller, yanlış etiketleme, hasarlı ambalaj veya eksik güvenlik mühürleri gibi ambalaj hatalarını algılamaya yardımcı olabilir. Ayrıca etiketlerin okunaklı barkodlar veya son kullanma tarihleriyle doğru konumlara yerleştirildiğini doğrulayabilir.

Bu, ürünlerin sektör düzenlemelerine uygun olmasını ve tüketicilere dağıtıma hazır bulunmasını sağlar.

AI tabanlı kalite denetiminin zorlukları ve gelecekteki yönelimleri#

AI tabanlı kalite denetimi çerçeveleri hâlâ gelişmektedir ve çok sayıda zorlukla karşı karşıyadır. Aşağıda, bu teknolojiler için dikkate alınması gereken bazı sınırlamalar ve gelecekteki araştırma yönleri yer alıyor.

• Açık dünya öğrenmesi ve etkin görü: Etiketli verilerin sınırlı olması nedeniyle yeni nesneleri algılayacak nesne algılama modelleri oluşturmak zordur. Denetimsiz eğitim ve aktarım öğrenmesi modelleri, uzmanların algılama çerçevelerini yeni veri kümelerine hızla uyarlamasına yardımcı olabilir.
• Piksel düzeyinde algılama: Görüntü segmentasyonu, modellerin bir görüntüdeki arka plan ile temel nesne arasındaki farkı anlamasını sağlar. Nesne algılama ile segmentasyonun birleştirilmesi, yüksek kaliteli denetim sağlamak amacıyla sürekli geliştirilen bir araştırma alanıdır.
• Çok modlu öğrenme: Çok modlu modeller, birden fazla veri türünü aynı anda birleştirip analiz edebilir. Nesne algılamada çok modlu öğrenme; derinliği anlamak için termal veriler, 2 boyutlu görüntüler ve kısa video kayıtları gibi farklı veri türlerinden öğrenerek denetim doğruluğunun iyileştirilmesine yardımcı olabilir.

Önemli çıkarımlar#

Derin öğrenme tabanlı kalite denetimi, farklı nesne algılama modellerinin sürekli geliştirilmesi sayesinde üstel bir ilerleme kaydediyor. AI tabanlı kalite denetimiyle üreticiler, geleneksel yaklaşımlara kıyasla daha fazla ölçeklenebilirlik ve esneklik elde edebilir.

Şirketler, denetim sürecini otomatikleştirmek için Ultralytics YOLO11 gibi modelleri kullanabilir; geliştirilmiş mimarisinden ve daha iyi doğruluk ile daha yüksek hız sağlayan özellik çıkarma yeteneklerinden yararlanabilir.

YOLO11 ve diğer nesne algılama modelleri hakkında daha fazla bilgi edinmek için GitHub depomuzu inceleyebilir ve canlı topluluğumuza katılabilirsin. Ultralytics'in son teknoloji derin öğrenme çerçeveleriyle üretimi nasıl yeniden tanımladığını keşfet.