Üretimde kalite denetimi: Geleneksel yöntemler ile derin öğrenme yöntemleri

Kalite kontrolü, ürünlerin gerekli kalite standartlarını karşılamasını sağlayan manufacturing sırasında kritik bir görevdir. Ancak, ürün karmaşıklığı arttıkça geleneksel kontrol yöntemleriyle kaliteyi değerlendirmek maliyetli olabilir.

Üreticiler, kontrol maliyetlerini düşürmek için nesne algılama ve anlamsal segmentasyon gibi derin öğrenme tabanlı kontrol tekniklerine yöneliyor. Derin öğrenme, verilerdeki karmaşık örüntüleri belirlemek için sinir ağları adı verilen bilgisayar algoritmalarını kullanan yapay zekanın (AI) bir alt dalıdır. Bu teknikler, görseller ve videolar dahil olmak üzere geniş veri setlerini analiz ederek kontrol iş akışını otomatikleştirmeye ve insan denetçilere olan bağımlılığı azaltmaya yardımcı olur.

Çok yönlülüğü ve maliyet etkinliği nedeniyle, yapay zeka tabanlı kalite güvencesi işletme karlılığını önemli ölçüde artırır. Raporlar, imalat sektörünün 2035 yılına kadar yapay zekadan 3 trilyon ABD dolarından fazla kazanç sağlayabileceğini öne sürüyor.

Bu makalede, derin öğrenme yöntemlerinin kalite kontrolünü nasıl iyileştirebileceği ve Ultralytics YOLO11 modelinin birden fazla sektörde kontrolü nasıl geliştirebileceği ele alınacaktır.

Üretimde kalite kontrolü nedir?#

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

Süreç, üretimin gerçekleştiği sırada, ürün montaj hattında ilerlerken veya üretimden sonra ancak ürünler dağıtım hattına taşınmadan önce gerçekleşebilir.

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

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

Derin öğrenme yaklaşımları nelerdir?#

Derin öğrenme yaklaşımları, insan beyninin ilkelerine göre çalışan yapay sinir ağlarını kullanır. Bu ağlar, birbiriyle bağlantılı nöron katmanlarından oluşur. Her nöron, verileri analiz etmek, örüntüleri belirlemek ve bir tahmin üretmek için matematiksel bir hesaplama gerçekleştirir.

Şekil 1. Yapay sinir ağı.

Kalite kontrolünde derin öğrenme modelleri, ürün görsellerinden özellikleri otomatik olarak öğrenen ve çıkaran bilgisayar görüşü çerçevelerini içerir.

Bilgisayar görüşü modelleri geliştirmek, uzmanların bir sinir ağını ilgili veri kümeleri üzerinde eğitmesini ve performansı kontrol etmek için yeni bir veri kümesi üzerinde doğrulamalar çalıştırmasını gerektirir.

Doğrulandıktan sonra uzmanlar bu modelleri PyTorch, ONNX ve OpenVINO gibi çeşitli dağıtım araçlarını kullanarak kamera ve sensörlere dağıtabilir.

Kalite kontrolü için derin öğrenme yaklaşımları#

Görüntü tabanlı kalite kontrolü, hasarları, çatlakları ve eksik parçaları tespit etmek ve yerelleştirmek için birden fazla yöntem kullanır. Aşağıdaki liste dört modern derin öğrenme yaklaşımından bahsetmektedir.

İkili sınıflandırma#

İkili sınıflandırma, görselleri, bir nesnede kusur olup olmadığını belirlemek gibi iki sınıftan birine ayırma görevini ifade eder.

Görsel verilere dayalı olarak, bir sınıflandırma modeli ikili bir evet/hayır kararı çıktısı verir. Bu modeller, eksik parçaları tespit etmeye yardımcı olurlar. Örneğin, bir sınıflandırma modeli, bir üründe bir parçanın eksik olup olmadığını tespit edebilir.

Şekil 2. Bir araba 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 edebilir ve birden fazla hasar veya çatlak türü için olasılıkları geri döndürerek hangisinin büyük olasılıkla mevcut olduğunu belirtebilir.

Şekil 3. Bükülme ve rengi tespit eden çok sınıflı sınıflandırma.

Bu, çizikler, ezikler veya çatlaklar gibi çeşitli kusurların farklı işleme prosedürleri gerektirebileceği üretimde faydalıdır.

Yerelleştirme#

Konumlandırma, bir görsel içindeki bir nesnenin veya özelliğin belirli konumunu belirlemeyi ifade eder. Hasarlı bölgeyi vurgulayan sınırlayıcı kutuları veya koordinatları tahmin etmek için nesne algılama modellerini kullanır.

Bu, bir kusurun kesin konumunun hedefe yönelik onarımlar için gerekli olduğu binalarda veya endüstriyel parpalarda çatlak tespiti gibi görevler için faydalıdır.

Şekil 4. Zımba deliğini yerelleştiren model.

Örneğin, altyapı bakımında yerelleştirme modelleri, beton bir yapının görüntülerini analiz edebilir ve bir çatlağın bulunduğu tam alanı işaretleyebilir.

Çok sınıflı yerelleştirme#

Çok sınıflı yerelleştirme, bir görüntü içindeki birden fazla kusuru tanımlayıp konumlandırırken aynı zamanda her kusuru önceden tanımlanmış birkaç kategoriden birine sınıflandırır.

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

Şekil 5. Birden fazla kusur türünü konumlandıran model.

Örneğin, çok sınıflı bir yerelleştirme modeli, hasarlı bir öğenin görüntüsünü analiz edebilir ve çizik veya çatlak gibi kusurun türünü ve kusurun nesne içindeki tam koordinatlarını belirtebilir.

Geleneksel yöntemler ve derin öğrenme yaklaşımları#

Geleneksel denetim yöntemleri daha katıdır; eşikler, önceden tanımlanmış kontrol listeleri ve geçme/kalma kriterleri gibi kullanıcı tanımlı kuralları ve standartları takip eder.

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

Derin öğrenme yaklaşımları, daha karmaşık algılama sistemleri oluşturmak için daha büyük esneklik sunar. Bu yaklaşımlar, kusurlu nesnelere ait görsellerden oluşan geniş veri setlerinin toplanmasını ve etiketlenmesini içerir. Uzmanlar, etiketlenen verileri Ultralytics YOLO11 gibi nesne algılama modellerini eğitmek için kullanır. Eğitildikten sonra modeli, görseller yakalamak ve kusurları gerçek zamanlı olarak belirlemek amacıyla kameralara veya sensörlere dağıtabilirler.

Sonraki bölümde, kalite denetimi için Ultralytics YOLO11 modelinin nasıl kullanılabileceğini inceleyeceğiz.

Kalite kontrolü için bilgisayar görüşünü kullanma#

You-Only-Look-Once (YOLO), yüksek doğruluğu, uyarlanabilirliği ve hızıyla ünlü son teknoloji (SOTA) gerçek zamanlı bir nesne algılama modelidir. En son sürümü, önceki sürümleri özellik çıkarımı, hız, doğruluk ve uyarlanabilirlik açısından geliştiren Ultralytics YOLO11 modelidir.

Daha kesin özellik çıkarımı için daha iyi bir mimari sunar ve daha hızlı işleme hızları için optimize edilmiş eğitim hatları içerir. Kendinden önceki modellere göre %22 daha az parametreye ve daha yüksek doğruluk puanlarına sahip olup, hesaplama açısından daha verimlidir.

Çok yönlülüğü sayesinde Ultralytics YOLO11, birçok alanda kalite denetimi iş akışlarını iyileştirmene yardımcı olabilir. Nesne tespiti ve segmentasyon gibi görevleri gerçekleştirerek ürünlerdeki anormallikleri, hasarları, çatlakları, eksik öğeleri ve paketleme hatalarını tespit etmeye yardımcı olabilir.

Bilgisayar görüşü modellerinin üretim endüstrisinde kullanılabileceği birkaç yola göz atalım.

Elektronikte eksik ve yanlış yerleştirilmiş parçaların tespiti#

Bilgisayar görüşü modelleri, bir ürünün gerekli tüm öğelere sahip olup olmadığını kontrol edebilir. Eksiksizliği sağlamak için monte edilmiş ürünlerde eksik bileşenleri tespit edebilirler.

Elektronik üretiminde, eksik bileşenleri, yanlış hizalanmış parçaları veya lehimleme sorunlarını tanımlamak, nihai ürünün güvenilir olduğundan ve doğru işlevselliğe sahip olduğundan emin olmak için çok önemlidir.

YOLO11 gibi nesne algılama modelleri, devre kartlarında eksik veya yanlış yerleştirilmiş bileşenleri tespit etmek üzere eğitilebilir. Kartların görsellerini gerçek zamanlı olarak analiz edebilir ve eksik dirençler veya kondansatörler gibi kusurları belirleyebilir. Bu, sevkiyattan önce her bir ünitenin montajının doğru olmasını sağlayacaktır.

Otomotiv parçalarındaki çatlakların tespiti#

Çatlak tespiti, bir çatlağın konumunu, boyutunu ve şiddetini tam olarak belirlemek için görüntüleri veya sensör verilerini analiz eden başka bir algılama görevidir.

Otomotiv endüstrisi, dişliler ve fren sistemleri gibi birden fazla bileşendeki çatlakları tespit etmenin güvenlik standartlarını karşıladıklarından emin olmak için gerekli olduğu alanlardan biridir.

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

Tekstilde hasar tespiti#

Bilgisayar görüşü, bilgisayar görüşü görevlerini kullanarak bir ürünün yüzeyindeki çizikler, ezikler ve deformasyonlar gibi çeşitli hasar türlerini tespit etmeye yardımcı olabilir.

Tekstil endüstrisi, Ultralytics YOLO11 gibi nesne tespiti ve segmentasyon modellerini kullanarak yapay zeka tabanlı hasar tespitinden büyük ölçüde yararlanabilir. Üretim sürecinde yırtıklar, delikler, lekeler veya kumaş tutarsızlıkları gibi kusurları belirleyebilir.

İlaç üretiminde anormallik tespiti#

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

İlaç üretiminde, anormallik tespiti, ilaç ürünlerinin kalitesini ve güvenliğini sağlamak için hayati önem taşır. Üreticiler, tablet şekillerindeki veya boyutlarındaki tutarsızlıklar, renk bozulmaları veya yabancı maddeler gibi düzensizlikleri tespit etmek için Ultralytics YOLO11 kullanabilir.

Paketleme ve etiketleme doğruluğu#

Bilgisayar görüşü modellerinin üretimde kullanılabileceği bir diğer örnek, endüstrilerdeki paketleme ve etiketlemedir. Örneğin, yiyecek ve içecek endüstrisi, tüketici güvenliği ve uyumluluk için katı standartları karşılamalıdır.

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

Bu, ürünlerin endüstri düzenlemelerine uygun olmasını ve tüketici dağıtımına hazır olmasını sağlar.

Yapay zeka tabanlı kalite kontrolünün zorlukları ve gelecekteki yönleri#

Yapay zeka tabanlı kalite kontrol çerçeveleri hala gelişmektedir ve çok sayıda zorlukla karşı karşıyadır. Bu teknolojiler için dikkate alınması gereken birkaç kısıtlama ve gelecekteki araştırma yönü şunlardır.

• Açık dünya öğrenmesi ve aktif görüş: Etiketlenmiş verilerin sınırlı mevcudiyeti nedeniyle yeni nesneleri tespit etmek için nesne algılama modelleri oluşturmak zordur. Denetimsiz eğitim ve transfer öğrenimi modelleri, uzmanların algılama çerçevelerini yeni veri setlerine hızla uyarlamasına yardımcı olabilir.
• Piksel düzeyinde algılama: Görüntü segmentasyonu, modellerin bir görseldeki arka plan ile ana nesne arasındaki farkı anlamasını sağlar. Nesne algılama ve segmentasyonu entegre etmek, yüksek kaliteli kontrol sağlamak için sürekli geliştirilen bir araştırma alanıdır.
• Çok modlu öğrenme: Çok modlu modeller, birden fazla veri türünü aynı anda entegre edebilir ve analiz edebilir. Nesne algılamada çok modlu öğrenme; derinliği anlamak için termal veriler, iki boyutlu görseller ve kısa video kayıtları gibi farklı veri türlerinden öğrenerek kontrol doğruluğunu artırmaya yardımcı olabilir.

Öne çıkanlar#

Derin öğrenme tabanlı kalite kontrolü, farklı nesne algılama modellerinin sürekli gelişimi sayesinde üstel bir ilerleme yaşıyor. Yapay zeka tabanlı kalite kontrolü ile üreticiler, geleneksel yaklaşımlardan daha fazla ölçeklenebilirlik ve esneklik elde edebilirler.

Şirketler, daha iyi doğruluk ve daha yüksek hız sağlayan gelişmiş mimarisinden ve özellik çıkarma yeteneklerinden yararlanarak denetim sürecini otomatikleştirmek için Ultralytics YOLO11 gibi modelleri kullanabilir.

GitHub depomuzu inceleyerek ve canlı topluluğumuzla etkileşim kurarak YOLO11 ve diğer nesne algılama modelleri hakkında daha fazla bilgi edinebilirsiniz. Ultralytics'in son teknoloji derin öğrenme çerçeveleri aracılığıyla üretimi nasıl yeniden tanımladığını keşfedin.