Üretimde kalite denetimi: Geleneksel yöntemler ile derin öğrenme yöntemleri

Kalite kontrolü, ürünlerin gerekli kalite standartlarını karşıladığından emin olunan üretim sürecinde kritik bir görevdir. Ancak, ürün karmaşıklığı arttıkça geleneksel denetim yöntemlerini kullanarak kaliteyi değerlendirmek maliyetli olabilir.

Manufacturers are moving toward deep-learning-based inspection techniques, like object detection and semantic segmentation, to decrease inspection costs. Deep learning is a subfield of artificial intelligence (AI) that uses computer algorithms called neural networks to identify complex patterns in data. These techniques help automate the inspection workflow and reduce reliance on human inspectors by analyzing extensive datasets, including images and videos.

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 iyileştirebileceğini ve Ultralytics YOLO11 ürününün birden fazla sektörde denetimi nasıl geliştirebileceğini ele alacağız.

Link to this sectionÜretimde 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.

Link to this sectionDerin öğrenme yaklaşımları nelerdir?#

Derin öğrenme yaklaşımları, insan beyninin prensipleriyle çalışan yapay sinir ağlarını kullanır. Ağlar, birbirine bağlı nöron katmanlarından oluşur. Her nöron, verileri analiz etmek, kalıpları tanımlamak ve bir tahmin üretmek için matematiksel bir hesaplama yapar.

Şekil 1. Yapay sinir ağı.

Kalite kontrolünde derin öğrenme modelleri, ürün görüntülerinden 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.

Once validated, experts can deploy these models on cameras and sensors using various deployment tools such as PyTorch, ONNX, and OpenVINO.

Link to this sectionKalite 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.

Link to this sectionİkili sınıflandırma#

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

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 otomobil parçasının ikili sınıflandırması.

Link to this sectionÇok 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. Eğilme ve renk hatalarını tespit eden çok sınıflı sınıflandırma.

Bu, çizikler, ezikler veya çatlaklar gibi çeşitli kusurların farklı işlem prosedürleri gerektirebileceği üretimde yararlıdır.

Link to this sectionYerelleştirme#

Localization refers to identifying the specific location of an object or feature within an image. It uses object detection models to predict bounding boxes or coordinates that highlight the specific region of damage.

Bu, binalarda veya endüstriyel parçalarda çatlak tespiti gibi, hedefli onarımlar için bir kusurun tam konumunun gerekli olduğu görevler için yararlıdır.

Şekil 4. Delik açma işlemini yerelleştiren model.

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

Link to this sectionÇok 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.

Link to this sectionGeleneksel 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.

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

Bir sonraki bölümde, YOLO11'in kalite kontrolü için nasıl kullanılabileceğine göz atacağız.

Link to this sectionKalite kontrolü için bilgisayar görüşünü kullanma#

You-Only-Look-Once (YOLO) is a state-of-the-art (SOTA) real-time object detection model famous for its high accuracy, adaptability, and speed. Its latest iteration is Ultralytics YOLO11, which improves the previous versions in terms of feature extraction, speed, accuracy, and adaptability.

Daha hassas özellik çıkarımı için daha iyi bir mimariye sahiptir ve daha hızlı işlem hızları için optimize edilmiş eğitim boru hatları içerir. Önceki sürümlerine göre %22 daha az parametre ve daha yüksek doğruluk puanları ile hesaplama açısından daha verimlidir.

Çok yönlülüğü sayesinde YOLO11, birden fazla alanda kalite kontrol iş akışlarını iyileştirmeye yardımcı olabilir. Nesne algılama ve bölümleme 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.

Link to this sectionElektronikte 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 kartlarındaki eksik veya yanlış yerleştirilmiş bileşenleri tespit etmek için eğitilebilir. Kartların görüntülerini gerçek zamanlı olarak analiz edebilir ve eksik dirençler veya kapasitörler gibi kusurları tanımlayabilir. Bu, her birimin montajının sevkiyattan önce doğru olduğundan emin olmanızı sağlayacaktır.

Link to this sectionOtomotiv 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 bir örnektir.

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

Link to this sectionTekstilde 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, YOLO11 gibi nesne algılama ve bölümleme modellerini kullanarak yapay zeka tabanlı hasar tespitinden önemli ölçüde yararlanabilir. Üretim sürecinde yırtıklar, delikler, lekeler veya kumaş tutarsızlıkları gibi kusurları tanımlayabilir.

Link to this sectionİlaç 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 öneme sahiptir. Üreticiler; tablet şekilleri, boyutları, renk bozulması veya yabancı maddelerdeki tutarsızlıklar gibi düzensizlikleri tespit etmek için YOLO11'i kullanabilirler.

Link to this sectionPaketleme 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.

YOLO11 gibi modeller, yanlış etiketleme, hasarlı paketleme veya eksik güvenlik mühürleri gibi paketleme hatalarını tespit etmeye yardımcı olabilir. Ayrıca etiketlerin net barkodlar veya son kullanma tarihleri ile doğru yerleştirmelere sahip olduğunu doğrulayabilir.

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

Link to this sectionYapay zeka tabanlı kalite kontrolünün zorlukları ve gelecekteki yönleri#

Yapay zeka tabanlı kalite kontrolü çerçeveleri hala gelişmektedir ve sayısız zorlukla karşı karşıyadır. İşte bu teknolojiler için dikkate alınması gereken birkaç sınırlama ve gelecekteki araştırma yönleri.

• Açık dünya öğrenme ve aktif görüş: Yeni nesneleri tespit etmek için nesne algılama modelleri oluşturmak, etiketli verilerin sınırlı olması nedeniyle zordur. Denetimsiz eğitim ve transfer öğrenme modelleri, uzmanların algılama çerçevelerini yeni veri kümelerine hızla uyarlamalarına yardımcı olabilir.
• Piksel düzeyinde algılama: Görüntü bölümleme, modellerin bir görüntüdeki arka plan ile ana nesne arasındaki farkı anlamasını sağlar. Nesne algılama ve bölümlemeyi entegre etmek, yüksek kaliteli denetimi 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, 2 boyutlu görüntüler ve kısa video görüntüleri gibi farklı veri türlerinden öğrenerek denetim doğruluğunu artırmaya yardımcı olabilir.

Link to this sectionÖne 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 ile sonuçlanan gelişmiş mimari ve özellik çıkarımı yeteneklerinden yararlanarak denetim sürecini otomatikleştirmek için YOLO11 gibi modelleri kullanabilirler.

GitHub depomuza göz atarak ve canlı topluluğumuzla etkileşimde bulunarak YOLO11 ve diğer nesne algılama modelleri hakkında daha fazla bilgi edinebilirsiniz. Ultralytics'in üretimi en son derin öğrenme çerçeveleri aracılığıyla nasıl yeniden tanımladığını keşfedin.