Çatlak tespiti ve segmentasyonu için yapay zekâ kullanımı

Bir yüzeydeki çatlağa baktığında küçük bir sorun gibi görünebilir; ancak ciddi yapısal hasarın iyi bir erken göstergesidir. Örneğin köprüler çatlaklar açısından düzenli olarak denetlenir ve bu çatlaklar her yıl tüm köprü hasarlarının 90% kadarını oluşturur. Geleneksel olarak çatlak denetimi manuel yapılır ve zaman alabilir. Yapay zekâ (AI), çatlak tespitini kolaylaştırmak için devreye girebilir.

Köprülerin ötesinde, derin öğrenme kullanılarak yapılan çatlak tespiti birçok endüstriyel ortamda faydalıdır. İnşaat alanında bina bütünlüğünün korunmasına yardımcı olur, üretimde maliyetli duruşları önler ve yol ile kaldırım denetimlerini daha güvenli ve etkili hâle getirir. Bu makalede, geleneksel yöntemlere kıyasla çatlakları çok daha hızlı ve kolay bir şekilde tespit etmek ve segmentlere ayırmak için Ultralytics YOLOv8 gibi yapay zekâ ve bilgisayarlı görü modellerini nasıl kullanabileceğine daha yakından bakacağız.

Çatlak segmentasyonu nedir?#

Çatlak segmentasyonuna geçmeden önce segmentasyonu anlayalım. Segmentasyon, bir görüntüyü farklı bölgelere veya segmentlere ayırmayı içeren bir bilgisayarlı görü görevidir. Amaç, görüntüyü basitleştirmek ve analizini kolaylaştırmaktır. Segmentasyon, piksel düzeyinde bir anlayış sağlar; nesne tespiti gibi görevler ise nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutuları kullanır.

Farklı segmentasyon teknikleri vardır:

• Anlamsal Segmentasyon: Bu, görüntüdeki her piksele 'yol', 'bina' veya 'ağaç' gibi belirli bir sınıf etiketi vermek anlamına gelir. Aynı sınıfa ait tüm pikseller tek bir varlık olarak ele alınır.
• Örnek Segmentasyonu: Anlamsal segmentasyonun aksine, görüntüdeki farklı arabalar gibi aynı sınıfa ait ayrı örnekleri birbirinden ayırır.
• Panoptik Segmentasyon: Bu yaklaşım, görüntüdeki piksel düzeyindeki kategorilendirme ile farklı nesne örneklerinin ayrıntılı bir şekilde anlaşılmasını sağlamak için anlamsal ve örnek segmentasyonu yöntemlerini birleştirir.

Şekil 1. Segmentasyon teknikleri arasındaki farklar: orijinal görüntü (G), anlamsal segmentasyon (H), örnek segmentasyonu (I) ve panoptik segmentasyon (J).

Çatlakların tespiti söz konusu olduğunda örnek segmentasyonu harika bir seçimdir. Her çatlağı benzersiz şekilde segmente ederek onları ayrı ayrı tanımlayabilir ve analiz edebiliriz. Örneğin bir çatlağın görüntüde kapladığı piksel sayısını sayarak alanını hesaplayabiliriz.

Çatlak segmentasyonunun nasıl çalıştığını anlama#

Çatlak segmentasyonunu uygulamanın ilk adımı, uygulamaya göre değişebilecek doğru kamera kurulumunu değerlendirmektir. Bina gibi daha büyük bir yapıyı denetliyorsan çeşitli açılardan yüksek çözünürlüklü görüntüler yakalamak için drone kullanmak en iyi yaklaşım olabilir. Öte yandan, üretim sonrasında metal levhaları denetliyorsan yüzeylerin ayrıntılı görüntülerini yakalamak üzere stratejik şekilde konumlandırılmış sabit yüksek çözünürlüklü kameralar kullanmak daha iyi olabilir.

Kamera kurulumunu kesinleştirdikten sonra YOLOv8 gibi örnek segmentasyonunu destekleyen bir bilgisayarlı görü modeli eğitebilirsin. Roboflow Universe Crack Segmentation Dataset, çatlakların açıklamalı görüntülerini içerir ve modelini eğitmek için kullanılabilir. Ayrıca uygulamana özgü çatlak görüntülerini yakalayıp açıklayarak kendi veri setini oluşturabilirsin.

Model, denetimli öğrenme yoluyla çatlakları segmente etmeyi öğrenir. Eğitim sırasında çatlakların nerede olduğunu gösteren görüntüler ve etiketlerle beslenir. Model, tahminleri ile gerçek etiketler arasındaki farkı en aza indirmek için dahili parametrelerini ayarlar. Eğitimden sonra yeni görüntüleri analiz etmek ve her çatlağı benzersiz şekilde segmente etmek için kullanılabilir.

Şekil 2. Çatlak segmentasyonu için Ultralytics YOLOv8 kullanımı.

Çatlak segmentasyonunun endüstriyel uygulamaları#

Çatlak tespiti ve segmentasyonu, altyapı bakımından üretimdeki kalite kontrolüne kadar çeşitli endüstriyel uygulamalarda son derece faydalıdır. Çatlakları doğru şekilde tanımlayıp analiz eden bu teknikler, birçok alanda güvenliği, kullanım ömrünü ve kaliteyi artırmaya yardımcı olur. Birkaç örneğe göz atalım.

Yol ve kaldırım kalitesinin korunması#

Yol çatlakları; hava koşulları, yoğun trafik ve doğal aşınma nedeniyle oluşan yaygın bir sorundur. Sıcaklık değişimleri kaldırımın genleşip büzülmesine ve çatlakların oluşmasına neden olabilir. Ağır araçlar yol yüzeyine ek stres uygular; küçük çatlaklara sızan su ise zamanla bu çatlakları genişletip derinleştirebilir. Bu çatlaklar erken aşınmaya, yapısal arızalara ve yolda araç kullanan insanlar için artan tehlikeye yol açabilir. Çatlak segmentasyonu kullanılarak erken tespit yapılması, yol bakımının daha verimli hâle getirilmesine yardımcı olabilir.

Şekil 3. Yoldaki bir çatlak. Görsel kaynağı: Envato Elements.

Bilgisayarlı görü kullanılarak tespit edilen ve segmente edilen çatlaklar, boyutlarına göre düşük, orta ve yüksek önem düzeylerinde sınıflandırılabilir. Çatlakların sınıflandırılması, bakım ekiplerinin önceliklendirme yapmasına yardımcı olur. Örneğin yüksek önem düzeyindeki çatlaklar, kritik arızaları önlemek ve yol güvenliğini artırmak için önce ele alınabilir; orta ve düşük önem düzeyindeki çatlaklar ise sonraki onarımlar ve rutin kontroller için planlanabilir. Böylece bakım ekibi kaynak kullanımını optimize edebilir, bakım maliyetlerini azaltabilir ve yol kullanıcıları için kesintileri en aza indirebilir.

Yapısal denetim ve izleme#

Çatlak tespiti, binaların ve diğer yapıların kalitesini ve güvenliğini korumak için de kullanılabilir. Tıpkı yollar gibi binalarda da hava değişimleri, malzeme yorulması ve düzenli aşınma nedeniyle çatlaklar oluşabilir. İnşaat sırasında kullanılan ağır makineler de yapılara ek stres uygulayarak daha fazla çatlağa neden olabilir.

Şekil 4. Çatlak segmentasyonu için cep telefonuyla fotoğraf çekme.

Çatlakları doğru şekilde tanımlayıp ele alarak binaların ve yapıların kullanım ömrü önemli ölçüde uzatılabilir. Çatlak tespit sistemlerinden toplanan veriler, inşaat standartlarını ve yönetmeliklerini iyileştirmek için de kullanılabilir. Sektör uzmanları, farklı projelerdeki çatlakların örüntülerini ve nedenlerini analiz ederek daha iyi inşaat uygulamaları ve malzemeleri geliştirebilir.

Petrol ve gaz sektöründe çatlak tespiti#

Petrol ve gaz sektöründe çatlak tespiti; boru hatlarının, depolama tanklarının ve diğer kritik altyapıların güvenliğini ve güvenilirliğini korumak için hayati önem taşır. Boru hatları genellikle uzun mesafeler boyunca uzanır ve basınç değişimlerine ve malzeme yorulmasına neden olabilecek zorlu çevre koşullarına maruz kalır; bu durum çatlaklara yol açabilir. Geleneksel olarak çatlak tespiti, boru hattı denetim göstergeleri (pigs), ultrasonik testler ve radyografi kullanılarak yapılır. Bu çatlaklar erken tespit edilip onarılmazsa sızıntı ve patlama gibi ciddi sorunlara yol açabilir. Bu sektördeki çatlaklar çevre ve insanlar için büyük risk oluşturur.

Şekil 5. Tren üzerindeki gaz tanklarını denetleyen işçiler. Görsel kaynağı: Envato Elements

Bilgisayarlı görü kullanılarak yapılan çatlak segmentasyonu, boru hattı durumunun sürekli izlenmesini sağlar. Bakım ekipleri çatlakları erken tespit ederek zamanında onarım yapabilir ve olası felaketleri önleyebilir.

Üretim parçalarının otomatik denetimi#

Çatlak segmentasyonu kullanan otomatik denetim, üretimde kalite kontrolünü dönüştürüyor. Daha önce çatlak tespiti görsel kontroller, penetrant testi ve manyetik parçacık muayenesi yoluyla yapılırdı. Üreticiler, gelişmiş görüntüleme ve bilgisayarlı görü sistemlerini üretim hattına entegre ederek parçalar üretildikten hemen sonra en küçük çatlakları ve kusurları bile tespit edebilir. Her bileşen, müşterilere ulaşmadan önce kontrol edilebilir ve yüksek kalite standartlarını karşılayacak hâle getirilebilir.

Otomatik denetim doğruluğu ve verimliliği artırır, üretim ekiplerinin sorunları hızla giderebilmesi için gerçek zamanlı geri bildirim sağlar. Manuel denetim ihtiyacını azaltarak ve maliyetli geri çağırmaları önleyerek tasarruf sağlar. Ayrıca bu sistemler kusurlar hakkında değerli veriler toplayarak örüntülerin belirlenmesine ve üretim süreçlerinin iyileştirilmesine yardımcı olur; bunun sonucunda daha güvenli ve güvenilir ürünler ortaya çıkar.

Şekil 6. Metal Parçalardaki Çatlakların Tespiti.

Çatlak segmentasyonunun artıları ve eksileri#

Derin öğrenme kullanılarak yapılan çatlak tespiti, artırılmış güvenlik ve veriye dayalı kararlar dâhil olmak üzere birçok fayda sunar. Endüstriyel ortamlarda çatlak tespitini kullanmanın diğer avantajlarından bazılarını inceleyelim:

• Sürdürülebilir uygulamalar: Kapsamlı onarım ve değiştirme ihtiyacını azaltarak malzeme ve kaynak tasarrufu sağlar ve sürdürülebilir inşaat ile bakım uygulamalarını destekler.
• Kesintilerin en aza indirilmesi: Rutin bakım sırasında daha düşük önem düzeyindeki çatlaklar için onarım planlamak, operasyonlarda ve kullanımda büyük kesintilerin önlenmesine yardımcı olur.
• Yönetmeliklere uygunluk: Altyapının düzenli olarak denetlenmesini ve bakımının yapılmasını sağlayarak sektör standartlarının ve mevzuat gerekliliklerinin karşılanmasına yardımcı olur.

Avantajlarına rağmen çatlak segmentasyonunun bazı dezavantajları da vardır. Yüksek başlangıç altyapı maliyetleri daha küçük kuruluşlar için endişe verici olabilir ve sistemin karmaşıklığı sürekli eğitim ve bakım gerektirir. Endüstriyel uygulamalarda çatlak segmentasyonu kullanmanın diğer bazı dezavantajları şunlardır:

• Yanlış pozitifler ve yanlış negatifler: Çatlakları hatalı şekilde tanımlayabilir veya tespit edemeyebilir; bu da gereksiz onarımlara ya da gözden kaçan onarımlara yol açabilir.
• Veri yönetimi zorlukları: Güçlü depolama ve analiz araçları gerektiren büyük miktarlarda veri üretir.
• Çevresel faktörler: Aşırı hava koşulları veya yüksek nem gibi dış koşullar, çatlak segmentasyonu sistemlerinin doğruluğunu ve güvenilirliğini etkileyebilir.
• Mevcut sistemlerle entegrasyon: Çatlak tespit teknolojisinin mevcut altyapı ve sistemlerle entegre edilmesi zor olabilir ve ek değişiklikler veya yükseltmeler gerektirebilir.

Önemli çıkarımlar#

Çatlak segmentasyonu ve tespiti, endüstriyel altyapımızı güvenli ve dayanıklı tutmada hayati bir rol oynayabilir. Derin öğrenme ve bilgisayarlı görü gibi gelişmiş teknolojileri kullanarak yapısal sorunları erken fark edebilir ve önemli problemlere dönüşmeden önce giderebiliriz. Bu proaktif yaklaşım, güvenlik ve mevzuat standartlarını karşılarken zamandan ve paradan tasarruf sağlar. Ayrıca kapsamlı onarım ihtiyacını en aza indirerek sürdürülebilir uygulamaları destekler. Yüksek başlangıç maliyetleri ve karmaşıklık gibi bazı zorluklara rağmen çatlak segmentasyonunun çeşitli sektörlerdeki faydaları, onu altyapı kalitesini korumak ve iyileştirmek için değerli bir araç hâline getirir.

Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda üretim ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet. 🚀