Üretimde kalite denetimi: Geleneksel yöntemler ve derin öğrenme yöntemleri

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

Üreticiler, denetim maliyetlerini düşürmek için nesne tespiti 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 alanıdır. Bu teknikler, görüntüler ve videolar dâhil kapsamlı veri kümelerini analiz ederek denetim iş akışını otomatikleştirmeye ve insan denetçilere olan bağımlılığı azaltmaya yardımcı olur.

Çok yönlülüğü ve maliyet etkinliği sayesinde yapay zekâ tabanlı kalite güvencesi, işletme kârlılığını önemli ölçüde artırıyor. Raporlara göre üretim sektörü, 2035'e kadar yapay zekâdan 3 trilyon ABD dolarından fazla kazanç sağlayabilir.

Bu makalede derin öğrenme yöntemlerinin kalite denetimini nasıl iyileştirebileceğini ve Ultralytics YOLO11 modelinin farklı sektörlerdeki denetimi nasıl geliştirebileceğini ele alacağız.

Üretimde kalite denetimi nedir?#

Kalite denetimi, bir ürünün tüketiciye ulaşmadan önce kusur, anormallik veya tutarsızlık içerip içermediğini değerlendirir.

Süreç, ürünün montaj hattından geçtiği üretim sırasında veya üretim sonrasında, ancak ürünler dağıtım hattına geçmeden önce gerçekleşebilir.

Genellikle ürünün istenen tasarım standartlarından sapıp sapmadığını veya bu standartları karşılayıp karşılamadığını görmek için görsel değerlendirme yapan uzmanları içerir.

Ancak kalite beklentileri yükseldikçe üreticiler, operasyonlarında daha fazla çeviklik ve ölçeklenebilirlik sağlamak için otomatik derin öğrenme yaklaşımlarına yöneliyor.

Derin öğrenme yaklaşımları nelerdir?#

Derin öğrenme yaklaşımları, insan beyninin çalışma ilkelerinden esinlenen yapay sinir ağlarını kullanır. Bu ağlar, birbirine bağlı nöron katmanlarından oluşur. Her nöron; verileri analiz etmek, örüntüleri belirlemek ve tahmin üretmek için matematiksel bir hesaplama yapar.

Şekil 1. Yapay sinir ağı.

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

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

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

Kalite denetimi için derin öğrenme yaklaşımları#

Görü tabanlı kalite denetimi; hasarları, çatlakları ve eksik öğeleri algılamak ve konumlarını belirlemek için birden fazla yöntem kullanır. Aşağıdaki listede dört modern derin öğrenme yaklaşımı yer alıyor.

İkili sınıflandırma#

İkili sınıflandırma, görüntüleri iki sınıftan birine ayırma görevidir; örneğin bir nesnede kusur olup olmadığını belirlemek.

Sınıflandırma modeli, görsel verilere dayanarak ikili bir evet/hayır kararı verir. Bu modeller eksik öğeleri algılamaya yardımcı olur. Örneğin bir sınıflandırma modeli, 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 birkaç kategoriden birine atar.

Örneğin çok sınıflı bir sınıflandırma modeli, bir ürünün görüntüsünü analiz ederek çeşitli hasar veya çatlak türleri için olasılıklar döndürebilir ve bunlardan hangisinin bulunma ihtimalinin en yüksek olduğunu gösterebilir.

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

Bu yöntem; çizik, ezik veya çatlak gibi çeşitli kusurların farklı işlem prosedürleri gerektirebileceği üretim süreçlerinde kullanışlıdır.

Konum belirleme#

Konum belirleme, bir görüntüdeki nesne veya özelliğin tam konumunu belirlemeyi ifade eder. Hasarın belirli bölgesini vurgulayan sınırlayıcı kutuları veya koordinatları tahmin etmek için nesne algılama modelleri kullanır.

Bu yöntem, hedefe yönelik onarımlar için kusurun tam konumunun bilinmesi gereken binalardaki veya endüstriyel parçalardaki çatlak tespiti gibi görevlerde kullanışlıdır.

Şekil 4. Zımbalama deliğinin konumunu belirleyen model.

Örneğin altyapı bakımında konum belirleme modelleri, beton bir yapının görüntülerini analiz edip çatlağın bulunduğu tam alanı işaretleyebilir.

Çok sınıflı konum belirleme#

Çok sınıflı konum belirleme, bir görüntüdeki birden fazla kusuru belirleyip konumlarını tespit ederken her kusuru önceden tanımlanmış birkaç kategoriden birine de sınıflandırır.

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

Şekil 5. Birden fazla kusur türünün konumunu belirleyen model.

Örneğin çok sınıflı bir konum belirleme modeli, hasarlı bir ürünün görüntüsünü analiz ederek çizik veya çatlak gibi kusur türünü ve kusurun nesne içindeki tam 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 sapma algılarsa sistem uzmanları bilgilendirir.

Derin öğrenme yaklaşımları, daha karmaşık tespit sistemleri geliştirmek için daha fazla esneklik sunar. Bu yaklaşımlar, kusurlu nesnelerin görüntülerinden oluşan kapsamlı veri kümelerini toplamayı ve etiketlemeyi içerir. Uzmanlar, Ultralytics YOLO11 gibi nesne tespit modellerini eğitmek için etiketli verileri kullanır. Model eğitildikten sonra görüntü yakalamak ve kusurları gerçek zamanlı olarak belirlemek üzere kameralara veya sensörlere dağıtılabilir.

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

Kalite denetimi için bilgisayarlı görü kullanımı#

Yalnızca Bir Kez Bak (YOLO), yüksek doğruluğu, uyarlanabilirliği ve hızıyla tanınan, gerçek zamanlı nesne algılamada son teknoloji ürünü (SOTA) bir modeldir. Bu metnin yazıldığı sırada en yeni sürümü Ultralytics YOLO11 idi (daha sonra yerini Ultralytics YOLO26 aldı) ve YOLO11, önceki sürümlere kıyasla özellik çıkarımı, hız, doğruluk ve uyarlanabilirlik açısından iyileştirmeler sunar.

Daha hassas özellik çıkarımı için gelişmiş bir mimariye sahiptir ve daha hızlı işleme için optimize edilmiş eğitim işlem hatları içerir. Ayrıca hesaplama açısından daha verimlidir: YOLO11m, daha yüksek doğruluk sağlarken YOLOv8m'den %22 daha az parametre kullanır.

Çok yönlülüğü sayesinde Ultralytics YOLO11, birçok alandaki kalite denetimi iş akışlarını iyileştirmeye yardımcı olabilir. Nesne algılama ve bölümleme gibi görevlerle ürünlerdeki anormallikleri, hasarları, çatlakları, eksik öğeleri ve ambalaj hatalarını algılayabilir.

Bilgisayarlı görü modellerinin üretim sektöründe nasıl kullanılabileceğine dair birkaç örneğe göz atalım.

Elektronik ürünlerde eksik öğelerin ve yanlış yerleştirilmiş parçaların algılanması#

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

Elektronik üretiminde eksik bileşenleri, yanlış hizalanmış parçaları veya lehimleme sorunlarını belirlemek, nihai ürünün güvenilir ve işlevsel olmasını sağlamak açısından kritik öneme sahiptir.

YOLO11 gibi nesne tespit modelleri, devre kartlarındaki eksik veya yanlış yerleştirilmiş bileşenleri tespit etmek üzere eğitilebilir. Kartların görüntülerini gerçek zamanlı analiz ederek eksik direnç veya kapasitör gibi kusurları belirleyebilir. PCB Bileşen Tespiti gibi herkese açık veri kümeleri, böyle bir modeli eğitmek için iyi bir başlangıç noktasıdır. Bu, her birimin montajının sevkiyattan önce doğru olduğunu güvence altına alır.

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 karşıladıklarından emin olmak için dişliler ve fren sistemleri gibi birden fazla bileşendeki çatlakların algılanmasının gerekli olduğu alanlara örnektir.

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

Tekstilde hasar algılama#

Bilgisayarlı görü görevleri kullanılarak ürün yüzeyindeki çizik, ezik ve deformasyon gibi çeşitli hasar türleri algılanabilir.

Tekstil sektörü, üretim sürecinde yırtık, delik, leke veya kumaş tutarsızlıkları gibi kusurları belirlemek için Ultralytics YOLO11 gibi nesne algılama ve bölümleme modellerinden yararlanarak yapay zekâ tabanlı hasar algılamadan önemli ölçüde fayda sağlayabilir.

İlaç üretiminde anomali algılama#

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

İlaç üretiminde anomali algılama, ilaç ürünlerinin kalitesini ve güvenliğini sağlamak için hayati önem taşır. Üreticiler; tablet şekli, boyutu veya rengindeki tutarsızlıklar ya da yabancı parçacıklar gibi düzensizlikleri algılamak için Ultralytics YOLO11 kullanabilir.

Ambalaj ve etiketleme doğruluğu#

Bilgisayarlı görü modellerinin üretimde kullanımına bir başka örnek de sektörlerdeki ambalajlama ve etiketlemedir. Örneğin yiyecek ve içecek sektörü, tüketici güvenliği ve mevzuata uygunluk açısından katı standartları karşılamalıdır.

Ultralytics YOLO11 gibi modeller; yanlış etiketleme, hasarlı ambalaj veya eksik güvenlik mührü gibi ambalaj hatalarını algılamaya yardımcı olabilir. Ayrıca etiketlerin doğru yerleştirildiğini, barkodların ve son kullanma tarihlerinin net olduğunu doğrulayabilir.

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

Yapay zekâ tabanlı kalite denetiminin zorlukları ve gelecekteki yönelimleri#

Yapay zekâ tabanlı kalite denetimi çerçeveleri hâlâ gelişiyor ve çok sayıda zorlukla karşı karşıya. Bu teknolojiler için göz önünde bulundurman gereken bazı sınırlamalar ve gelecekteki araştırma yönleri şunlar.

• Açık dünya öğrenimi ve aktif görü: Etiketli verilerin sınırlı olması, yeni nesneleri algılayan nesne algılama modelleri oluşturmayı zorlaştırıyor. Denetimsiz eğitim ve transfer öğrenimi modelleri, uzmanların algılama çerçevelerini yeni veri kümelerine hızla uyarlamasına yardımcı olabilir.
• Piksel düzeyinde algılama: Görüntü bölümleme, modellerin bir görüntüdeki arka plan ile ana nesne arasındaki farkı anlamasını sağlar. Nesne algılama ve bölümlemeyi birleştirmek, yüksek kaliteli denetim sağlamak üzere sürekli geliştirilen bir araştırma alanıdır.
• Çok modlu öğrenme: Çok modlu modeller, birden fazla veri türünü eş zamanlı olarak birleştirip analiz edebilir. Nesne algılamada çok modlu öğrenme; termal veriler, iki boyutlu görüntüler ve kısa video çekimleri gibi farklı veri türlerinden öğrenerek denetim doğruluğunun artırılmasına yardımcı olabilir.

Önemli çıkarımlar#

Farklı nesne tespit modellerinin sürekli geliştirilmesi sayesinde derin öğrenme tabanlı kalite denetimi hızla ilerliyor. AI tabanlı kalite denetimiyle üreticiler, geleneksel yaklaşımlara kıyasla daha yüksek ölçeklenebilirlik ve esneklik elde edebilir.

Şirketler, denetim sürecini otomatikleştirmek için Ultralytics YOLO11 gibi modelleri kullanabilir; geliştirilmiş mimarisinden ve özellik çıkarma yeteneklerinden yararlanarak daha yüksek doğruluk ve daha hızlı işlem elde edebilir.

GitHub depomuza göz atıp canlı topluluğumuzla etkileşime geçerek YOLO11 ve diğer nesne tespit modelleri hakkında daha fazla bilgi edinebilirsin. Ultralytics'in bilgisayarlı görüyle üretim sektörünü nasıl desteklediğini keşfet.