Çatlak tespiti ve segmentasyonu için yapay zeka kullanımı

Bir yüzeydeki çlağa baktığında küçük bir sorun gibi görünebilir, ancak ciddi yapısal hasarların iyi bir erken göstergesidir. Örneğin köprüler çatlaklar açısından düzenli olarak denetlenir ve bunlar her yıl tüm köprü hasarlarının 90%'ini oluşturur. Geleneksel olarak çatlak denetimi manuel olarak yapılır ve zaman alıcı olabilir. Yapay zeka (AI), çatlak tespitini daha basit hale getirmek için devreye girebilir.

Köprülerin ötesinde, derin öğrenme kullanılarak yapılan çatlak tespiti birçok endüstriyel ortamda faydalıdır. İnşaat sektöründe bina bütünlüğünü garanti etmeye yardımcı olur, imalat sektöründe maliyetli kesintileri önler ve yol ile kaplama denetimlerini daha güvenli ve daha etkili hale getirir. Bu makalede, geleneksel yöntemlere göre çatlakları çok daha hızlı ve kolay bir şekilde tespit etmek ve bölütlemek için yapay zeka ile Ultralytics YOLOv8 gibi bilgisayarlı görü modellerini nasıl kullanabileceğini daha yakından inceleyeceğiz.

Çatlak segmentasyonu nedir?#

Çatlak bölütlemeye dalmadan önce, bölütlemeyi anlayalım. Bölütleme, bir görüntüyü farklı bölgelere veya bölütlere ayırmayı içeren bir bilgisayarlı görü görevidir. Amaç, görüntüyü basitleştirmek ve analiz etmeyi kolaylaştırmaktır. Nesne tespiti gibi görevler nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutular kullanırken, bölütleme sana piksel düzeyinde bir anlayış sunar.

Farklı segmentasyon teknikleri mevcuttur:

• Anlamsal (Semantic) Segmentasyon: Bu, bir görüntüdeki her bir pikseli 'yol', 'bina' veya 'ağaç' gibi belirli bir sınıfla etiketlemek anlamına gelir. Aynı sınıfa ait tüm pikseller tek bir varlık olarak ele alınır.
• Örnek (Instance) Segmentasyonu: Anlamsal segmentasyonun aksine, bir görüntüdeki farklı arabalar gibi aynı sınıfın ayrı örnekleri arasında ayrım yapar.
• Panoptik Segmentasyon: Bu, hem anlamsal hem de örnek segmentasyonu yaklaşımlarını birleştirerek, bir görüntüdeki piksel düzeyinde kategorizasyon ve farklı nesne örnekleri hakkında ayrıntılı bir anlayış sunar.

Şek 1. Bölütleme teknikleri arasındaki farklar: orijinal görüntü (G), anlamsal bölütleme (H), örnek bölütleme (I) ve panoptik bölütleme (J).

Çatlak tespiti söz konusu olduğunda, örnek segmentasyonu harika bir seçimdir. Her çatlağı benzersiz bir şekilde bölümlere ayırarak, onları tek tek tanımlayabilir ve analiz edebiliriz. Örneğin, bir çatlağın görüntüde kapladığı piksel sayısını sayarak alanını hesaplayabiliriz.

Çatlak segmentasyonunun nasıl çalıştığını anlamak#

Çatlak bölütlemeyi uygulamanın ilk adımı, uygulamaya göre değişebilen doğru kamera kurulumunu değerlendirmektir. Bir bina gibi daha büyük bir yapıyı denetliyorsan, çeşitli açılardan yüksek çözünürlüklü görüntüler yakalamak için dron kullanmak en iyi yaklaşım olabilir. Öte yandan, üretim sonrasında metal levhaları denetliyorsan, yüzeylerin ayrıntılı görüntülerini yakalamak için stratejik olarak konumlandırılmış sabit yüksek çözünürlüklü kameralar kullanmak en iyisi olabilir.

Kamera kurulumunu tamamladıktan sonra, YOLOv8 gibi örnek bölütlemeyi destekleyen bir bilgisayarlı görü modeli eğitebilirsin. Roboflow Universe Çatlak Bölütleme Veri Kümesi çatlakların etiketlenmiş görüntülerini içerir ve modelini eğitmek için kullanılabilir. Ayrıca uygulamana özel çatlak görüntüleri yakalayıp etiketleyerek kendi veri kümeni oluşturabilirsin.

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

Şekil 2. Çatlak segmentasyonu için Ultralytics YOLOv8 kullanma.

Çatlak segmentasyonunun endüstriyel uygulamaları#

Çatlak tespiti ve segmentasyonu, altyapı bakımından üretimdeki kalite kontrole kadar çeşitli endüstriyel uygulamalarda son derece yararlıdır. Çatlakları doğru bir şekilde tanımlayıp analiz ederek, bu teknikler birçok alanda güvenliği, uzun ömürlülüğü ve kaliteyi artırmaya yardımcı olur. Birkaç örneğe göz atalım.

Yol ve kaldırım kalitesini koruma#

Yol çatlakları; hava koşulları, yoğun trafik ve doğal aşınma nedeniyle oluşan yaygın bir sorundur. Sıcaklıktaki değişimler kaldırımın genleşmesine ve büzülmesine neden olarak çatlaklara yol açabilir. Ağır araçlar yol yüzeyine ek yük bindirir ve küçük çatlaklara sızan su zamanla bunları genişletip derinleştirebilir. Bu çatlaklar erken aşınmaya, yapısal arızalara ve yolda sürüş yapan insanlar için artan tehlikelere yol açabilir. Çatlak segmentasyonu kullanarak erken tespit, yol bakımını kolaylaştırmaya yardımcı olabilir.

Şekil 3. Yolda bir çatlak. Görsel Kaynağı: Envato Elements.

Bilgisayarlı görü kullanılarak tespit edilen ve bölümlere ayrılan çatlaklar, boyutlarına göre düşük, orta ve yüksek şiddet seviyelerine göre sınıflandırılabilir. Çatlakları sınıflandırmak, bakım ekiplerinin önceliklerini belirlemesine yardımcı olur. Örneğin, kritik arızaları önlemek ve yol güvenliğini artırmak için yüksek şiddetli çatlaklara öncelikle müdahale edilebilirken, orta ve düşük şiddetli çatlaklar sonraki onarımlar ve rutin kontroller için planlanabilir. Bunu yaparak, bakım ekibi kaynak kullanımını optimize edebilir, bakım maliyetlerini düşürebilir ve yol kullanıcıları için aksamaları en aza indirebilir.

Yapısal denetim ve izleme#

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

Şek 4. Çatlak bölütleme için fotoğraf çekmek üzere cep telefonu kullanma.

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

Petrol ve gaz sektöründe çatlak tespiti#

Petrol ve gaz endüstrisinde, çatlak tespiti boru hatlarının, depolama tanklarının ve diğer hayati altyapıların güvenliğini ve güvenilirliğini korumak için çok önemlidir. Boru hatları genellikle uzun mesafeleri kapsar ve basınç değişikliklerine ve malzeme yorgunluğuna neden olarak çatlaklara yol açabilecek zorlu çevre koşullarıyla karşı karşıya kalır. Geleneksel olarak çatlak tespiti boru hattı denetim göstergeleri (pigs), ultrasonik test 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 bir risk oluşturur.

Şekil 5. Trendeki gaz tanklarını denetleyen işçiler. Görsel Kaynağı: Envato Elements

Bilgisayarlı görü kullanarak çatlak segmentasyonu, boru hattı koşullarının sürekli izlenmesini sağlar. Bakım ekipleri çatlakları erkenden belirleyerek zamanında onarım yapabilir ve olası felaketleri önleyebilir.

Üretim parçalarının otomatik denetimi#

Çatlak bölütleme kullanan otomatik denetim, imalat sektöründeki kalite kontrolünü dönüştürüyor. Daha önce çatlak tespiti görsel kontroller, sıvı penetrant denetimi ve manyetik parçacık denetimi yoluyla yapılırdı. Üreticiler, üretim hattına gelişmiş görüntüleme ve bilgisayarlı görü sistemleri entegre ederek, parçalar üretildikten hemen sonra en küçük çatlakları ve kusurları bile tespit edebilir. Her bileşen kontrol edilebilir ve müşterilere ulaşmadan önce yüksek kalite standartlarını karşılayacak şekilde yapılabilir.

Otomatik denetim, doğruluğu ve verimliliği artırarak üretim ekiplerinin sorunları hızlı bir şekilde giderebilmesi için gerçek zamanlı geri bildirim sağlar. Bu, manuel denetim ihtiyacını azaltarak ve pahalı geri çağırmaları önleyerek maliyet tasarrufu sağlar. Ayrıca, bu sistemler kusurlar hakkında değerli veriler toplayarak, desenleri belirlemeye ve üretim süreçlerini iyileştirmeye yardımcı olur, bu da daha güvenli ve güvenilir ürünler sağlar.

Şek 6. Metal Parçalardaki Çatlakları Tespit Etme.

Çatlak segmentasyonunun artıları ve eksileri#

Derin öğrenme kullanarak çatlak tespiti; gelişmiş güvenlik ve veriye dayalı kararlar dahil olmak üzere birçok fayda sunar. Endüstriyel ortamlarda çatlak tespiti kullanmanın diğer avantajlarından bazılarını keşfedelim:

• Sürdürülebilir uygulamalar: Kapsamlı onarım ve değiştirme ihtiyacını azaltarak, malzeme ve kaynak tasarrufu sağlayarak sürdürülebilir inşaat ve bakım uygulamalarını destekler.
• Aksamaların en aza indirilmesi: Daha az şiddetli çatlaklar için rutin bakım sırasında onarımlar planlamak, operasyonlarda ve kullanımda büyük aksamaları önlemeye yardımcı olur.
• Yönetmeliklere uyum: Altyapının düzenli denetimini ve bakımını sağlayarak endüstri standartlarını ve yasal gereklilikleri karşılamaya yardımcı olur.

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

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

Öne çıkanlar#

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 erkenden tespit edebilir ve önemli sorunlar haline gelmeden önce düzeltebiliriz. Bu proaktif yaklaşım, güvenlik ve yasal standartları karşılarken zaman ve para tasarrufu sağlar. Ayrıca, kapsamlı onarım ihtiyacını en aza indirerek sürdürülebilir uygulamaları destekler. Yüksek ilk maliyetler ve karmaşıklık gibi bazı zorluklara rağmen, çatlak segmentasyonunun çeşitli endüstrilerdeki faydaları, onu altyapı kalitesini korumak ve iyileştirmek için değerli bir araç haline getirir.

Yapay zeka hakkında daha fazla bilgi edinmek için GitHub deponumuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda üretim ve tarım alanındaki yapay zeka uygulamalarını keşfet. 🚀