Üretimde kalite kontrol: Geleneksel yöntemler ve derin öğrenme yöntemleri

Kalite kontrol, ürünlerin gerekli kalite standartlarını karşılamasını sağlayan, üretim sırasında kritik bir görevdir. Ancak, geleneksel kontrol yöntemleri kullanılarak kaliteyi değerlendirmek, ürün karmaşıklığı arttıkça maliyetli olabilir. 

Üreticiler, kontrol maliyetlerini düşürmek için nesne algılama ve semantik segmentasyon gibi derin öğrenme tabanlı kontrol tekniklerine yöneliyor. Derin öğrenme, verilerdeki karmaşık desenleri tanımlamak için sinir ağları adı verilen bilgisayar algoritmaları kullanan yapay zekanın (AI) bir alt alanıdır. Bu teknikler, kapsamlı veri kümelerini, görüntüleri ve videoları analiz ederek kontrol iş akışını otomatikleştirmeye ve insan denetçilere olan bağımlılığı azaltmaya yardımcı olur. 

Çok yönlülüğü ve maliyet etkinliği sayesinde, yapay zeka tabanlı kalite güvencesi, işletme karlılığını önemli ölçüde artırır. Raporlar, üretim endüstrisinin 2035 yılına kadar yapay zekadan 3 trilyon USD'den fazla gelir elde edebileceğini gösteriyor.

Bu makale, derin öğrenme yöntemlerinin kalite kontrolünü nasıl iyileştirebileceğini ve Ultralytics YOLO11'in çeşitli endüstrilerde kontrolü nasıl geliştirebileceğini tartışacaktır.

Üretimde kalite kontrol nedir?

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

Bu süreç, ürünün bir montaj hattından geçtiği üretim sırasında veya üretimden sonra, ancak ürünler dağıtım hattına geçmeden önce gerçekleşebilir.  

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

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

Derin öğrenme yaklaşımları nelerdir?

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

‍

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

Bilgisayarlı görü 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 kameralara ve sensörlere PyTorch, ONNX ve OpenVINO gibi çeşitli dağıtım araçlarını kullanarak dağıtabilirler.

Kalite kontrol için derin öğrenme yaklaşımları

Görsel tabanlı kalite kontrolü, hasarları, çatlakları ve eksik öğeleri tespit etmek ve konumlandırmak için çeşitli yöntemler kullanır. Aşağıdaki listede dört modern derin öğrenme yaklaşımı belirtilmiştir.

İkili sınıflandırma

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

Sınıflandırma modeli, görsel verilere dayanarak ikili bir evet/hayır kararı verir. Kayıp öğeleri tespit etmeye yardımcı olurlar. Örneğin, bir sınıflandırma modeli, bir üründe bir öğenin eksik olup olmadığını tespit edebilir.

‍

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 edebilir ve birden fazla hasar veya çatlak türü için olasılıklar döndürerek hangisinin mevcut olma olasılığının en yüksek olduğunu gösterebilir. 

‍

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

Yerelleştirme

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

Bu, binalarda veya endüstriyel parçalarda çatlak tespiti gibi görevler için kullanışlıdır; burada bir kusurun kesin konumu, hedeflenen onarımlar için gereklidir. 

‍

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

Çok sınıflı yerelleştirme

Çok sınıflı lokalizasyon, bir görüntüdeki birden fazla kusuru tanımlar ve konumlandırırken, aynı zamanda her bir kusuru önceden tanımlanmış çeşitli kategorilerden birine sınıflandırır. 

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

‍

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

Geleneksel ve derin öğrenme yaklaşımları 

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

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

Derin öğrenme yaklaşımları, daha karmaşık algılama sistemleri oluşturmak için daha fazla esneklik sunar. Bu yaklaşımlar, kusurlu nesnelerin kapsamlı görüntü veri kümelerini toplamayı ve etiketlemeyi içerir. Uzmanlar, nesne algılama modellerini (örneğin Ultralytics YOLO11) eğitmek için etiketlenmiş verileri kullanır. Eğitildikten sonra, görüntüleri yakalamak ve kusurları gerçek zamanlı olarak tanımlamak için modeli kameralara veya sensörlere dağıtabilirler.

Aşağıdaki bölümde, YOLO11'in kalite denetimi için nasıl kullanılabileceğine bir göz atacağız.

Kalite denetimi 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 yinelemesi, özellik çıkarımı, 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 modellere göre %22 daha az parametre ve daha yüksek doğruluk puanlarıyla daha hesaplama açısından verimlidir.

Çok yönlülüğü sayesinde YOLO11, çeşitli alanlarda kalite kontrol iş akışlarını iyileştirmeye yardımcı olabilir. Nesne tespiti ve segmentasyonu gibi görevleri yerine getirerek ürünlerdeki anormallikleri, hasarları, çatlakları, eksik öğeleri ve ambalaj hatalarını tespit etmeye yardımcı olabilir.

Bilgisayarlı görü modellerinin üretim endüstrisinde ne şekilde kullanılabileceğine bir göz atalım. 

Elektronikte eksik öğelerin ve yanlış yerleştirilmiş parçaların tespiti

Bilgisayarlı görü modelleri, bir ürünün gerekli tüm öğelere sahip olup olmadığını kontrol edebilir. Tamlığı sağlamak için monte edilmiş ürünlerdeki eksik bileşenleri tespit edebilir.

Elektronik üretiminde, nihai ürünün güvenilir olmasını ve doğru işlevselliğe sahip olmasını sağlamak için eksik bileşenlerin, yanlış hizalanmış parçaların veya lehimleme sorunlarının belirlenmesi çok önemlidir.

YOLO11 gibi nesne algılama modelleri, devre kartlarındaki eksik veya yanlış yerleştirilmiş bileşenleri algılamak için eğitilebilir. Kartların görüntülerini gerçek zamanlı olarak analiz edebilir ve eksik dirençler veya kapasitörler gibi kusurları belirleyebilir. Bu, her birimin montajının sevkiyattan önce doğru olmasını sağlayacaktır.

Otomotiv parçalarındaki çatlakların tespiti

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

Otomotiv endüstrisi, dişliler ve fren sistemleri gibi birden fazla bileşendeki çatlakların tespit edilmesinin güvenlik standartlarını karşılamalarını sağlamak için gerekli olduğu bir örnektir.

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

Tekstilde hasar tespiti

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

Tekstil endüstrisi, YOLO11 gibi nesne algılama ve segmentasyon modellerini kullanarak yapay zeka tabanlı hasar tespitinden önemli ölçüde faydalanabilir. Üretim sürecinde yırtık, delik, leke veya kumaş tutarsızlıkları gibi kusurları belirleyebilir. 

İlaç üretiminde anomali tespiti

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

İlaç üretiminde anomali tespiti, ilaç ürünlerinin kalitesini ve güvenliğini sağlamak için hayati öneme sahiptir. Üreticiler, tablet şekillerindeki, boyutlarındaki, renk bozulmalarındaki veya yabancı partiküllerdeki tutarsızlıklar gibi düzensizlikleri tespit etmek için YOLO11'i kullanabilir.

Paketleme ve etiketleme doğruluğu

Bilgisayarlı görü modellerinin üretimde nasıl kullanılabileceğine dair bir başka örnek de endüstrilerdeki paketleme ve etiketleme süreçleridir. Örneğin, yiyecek ve içecek endüstrisi, tüketici güvenliği ve uyumluluğu için katı standartları karşılamalıdır.

YOLO11 gibi modeller, hatalı etiketleme, hasarlı ambalaj veya eksik güvenlik mühürleri gibi paketleme hatalarını tespit etmeye yardımcı olabilir. Ayrıca, etiketlerin barkodların veya son kullanma tarihlerinin net bir şekilde yerleştirilmesiyle doğru yerlere yerleştirildiğini de doğrulayabilir. 

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

Yapay zeka tabanlı kalite kontrolün 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 sınırlama ve gelecekteki araştırma yönü şunlardır.

• Açık dünya öğrenimi ve aktif görme: Etiketli verilerin sınırlı olması nedeniyle yeni nesneleri tespit etmek için nesne algılama modelleri oluşturmak zordur. Denetimsiz eğitim ve transfer öğrenimi modelleri, uzmanların algılama çerçevelerini yeni veri kümelerine hızla uyarlamasına yardımcı olabilir.
  ‍
• Piksel düzeyinde algılama: Görüntü segmentasyonu, modellerin bir görüntüdeki arka plan ve birincil nesne arasındaki farkı anlamasını sağlar. Nesne algılama ve segmentasyonun entegre edilmesi, yüksek kaliteli inceleme sağlamak için sürekli olarak 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 inceleme doğruluğunu artırmaya yardımcı olabilir.

Önemli çıkarımlar 

Derin öğrenme tabanlı kalite kontrol, farklı nesne algılama modellerinin sürekli gelişimi nedeniyle katlanarak ilerleme kaydetmektedir. Yapay zeka tabanlı kalite kontrol ile üreticiler, geleneksel yaklaşımlara göre daha fazla ölçeklenebilirlik ve esneklik elde edebilir.

Şirketler, gelişmiş mimarisi ve özellik çıkarma yeteneklerinden yararlanarak daha iyi doğruluk ve daha yüksek hız elde etmek için YOLO11 gibi modelleri kullanarak denetim sürecini otomatikleştirebilir.

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