Çatlak tespiti ve segmentasyonu için yapay zekâ kullanımı

Bir yüzeyde çatlak gördüğünde bu küçük bir sorun gibi görünebilir, ancak ciddi yapısal hasarın erken bir göstergesi olabilir. Örneğin köprüler çatlaklara karşı düzenli olarak incelenir ve çatlaklar her yıl köprü hasarlarının %90'ını oluşturur. Geleneksel olarak çatlak incelemesi elle yapılır ve zaman alabilir. Yapay zekâ (AI), çatlak tespitini kolaylaştırabilir.

Köprülerin yanı sıra, derin öğrenme tabanlı çatlak tespiti birçok endüstriyel ortamda da faydalıdır. Bu yaklaşım, inşaat sektöründe yapı bütünlüğünün korunmasına yardımcı olur, üretimde maliyetli duruşları önler ve yol ile kaldırım denetimlerini daha güvenli ve etkili hâle getirir. Bu makalede, Ultralytics YOLOv8 gibi yapay zekâ ve bilgisayarlı görü modellerini kullanarak çatlakları geleneksel yöntemlere kıyasla çok daha hızlı ve kolay biçimde nasıl tespit edip segmentlere ayırabileceğine daha yakından bakacağız.

Çatlak segmentasyonu nedir?#

Çatlak segmentasyonuna geçmeden önce segmentasyonun ne olduğunu anlayalım. Segmentasyon, bir görüntüyü farklı bölgelere veya parçalara ayırmayı içeren bir bilgisayarlı görü görevidir. Amaç, görüntüyü basitleştirip analizini kolaylaştırmaktır. Segmentasyon piksel düzeyinde bir anlayış sunarken nesne algılama gibi görevler, nesneleri belirlemek ve konumlandırmak için sınırlayıcı kutular kullanır.

Farklı segmentasyon teknikleri vardır:

• Anlamsal segmentasyon: Bu yöntem, görüntüdeki her piksele 'yol', 'bina' veya 'ağaç' gibi belirli bir sınıf etiketi atar. Aynı sınıfa ait tüm pikseller tek bir varlık olarak ele alınır.
• Örnek segmentasyonu: Anlamsal segmentasyonun aksine, görüntüdeki farklı otomobiller gibi aynı sınıfa ait ayrı örnekleri birbirinden ayırır.
• Panoptik segmentasyon: Bu yöntem, piksel düzeyindeki sınıflandırma ve görüntüdeki farklı nesne örnekleri hakkında ayrıntılı bir anlayış sunmak için anlamsal ve örnek segmentasyonu yaklaşımlarını birleştirir.

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

Çatlakları algılamak için örnek segmentasyonu iyi bir tercihtir. Her çatlağı ayrı ayrı segmentlere ayırarak çatlakları tek tek belirleyip analiz edebiliriz. Örneğin, görüntüde kapladığı piksel sayısını hesaplayarak bir çatlağın alanını hesaplayabiliriz.

Çatlak segmentasyonunun nasıl çalıştığını anlama#

Çatlak segmentasyonunu uygulamanın ilk adımı, uygulamaya göre değişebilecek doğru kamera kurulumunu belirlemektir. Bina gibi büyük bir yapıyı inceliyorsan farklı açılardan yüksek çözünürlüklü görüntüler yakalamak için en iyi seçenek dronlar olabilir. Öte yandan, üretimden sonra metal levhaları inceliyorsan yüzeylerin ayrıntılı görüntülerini yakalamak amacıyla stratejik konumlara yerleştirilmiş sabit yüksek çözünürlüklü kameralar kullanmak daha uygun olabilir.

Kamera kurulumunu tamamladıktan sonra YOLOv8 gibi örnek segmentasyonunu destekleyen bir bilgisayarlı görü modelini eğitebilirsin. Roboflow Universe Çatlak Segmentasyonu Veri Kümesi, çatlakların etiketlenmiş görüntülerini içerir ve modelini eğitmek için kullanılabilir. Uygulamana özgü çatlak görüntülerini yakalayıp etiketleyerek kendi veri kümeni de oluşturabilirsin.

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

Şekil 2. Çatlak segmentasyonu için Ultralytics YOLOv8 kullanımı.

Çatlak segmentasyonunun endüstriyel uygulamaları#

Çatlak algılama ve segmentasyonu, altyapı bakımından üretimdeki kalite kontrole kadar çeşitli endüstriyel uygulamalarda son derece kullanışlıdır. Çatlakları doğru biçimde belirleyip analiz ederek bu teknikler birçok alanda güvenliği, dayanıklılığı ve kaliteyi artırmaya yardımcı olur. Birkaç örneğe göz atalım.

Yol ve kaldırım kalitesinin korunması#

Yol çatlakları; hava koşulları, yoğun trafik ve doğal aşınma nedeniyle sık görülür. Sıcaklık değişimleri yol kaplamasının genleşip büzülmesine ve çatlakların oluşmasına neden olabilir. Ağır araçlar yol yüzeyine baskı uygular; küçük çatlaklara sızan su da zamanla çatlakları genişletip derinleştirebilir. Bu çatlaklar erken aşınmaya, yapısal arızalara ve yolda seyahat edenler için tehlikenin artmasına yol açabilir. Çatlak segmentasyonuyla erken tespit, yol bakımını kolaylaştırabilir.

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

Bilgisayarlı görüyle tespit edilip segmentlere ayrılan çatlaklar, boyutlarına göre düşük, orta ve yüksek önem düzeylerinde sınıflandırılabilir. Bu sınıflandırma bakım ekiplerinin öncelik belirlemesine yardımcı olur. Örneğin, kritik arızaları önlemek ve yol güvenliğini artırmak için yüksek önem düzeyindeki çatlaklar önce ele alınabilir; orta ve düşük önem düzeyindeki çatlakların onarımı ise daha sonraya ve rutin kontrollere planlanabilir. Böylece bakım ekibi kaynak kullanımını optimize edebilir, bakım maliyetlerini düşürebilir ve yol kullanıcılarının yaşadığı aksaklıkları en aza indirebilir.

Yapısal inceleme ve izleme#

Çatlak tespiti, binaların ve diğer yapıların kalitesini ve güvenliğini korumak için de kullanılabilir. Yollar gibi binalarda da hava koşullarındaki değişimler, malzeme yorgunluğu ve olağan aşınma nedeniyle çatlaklar oluşabilir. İnşaat sırasında kullanılan ağır makineler de yapılara ek yük bindirerek daha fazla çatlağa yol açabilir.

Şekil 4. Çatlak segmentasyonu için cep telefonuyla fotoğraf çekme.

Çatlakları doğru biçimde belirleyip gidererek 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 çatlak kalıplarını 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 önemli altyapıların güvenliğini ve güvenilirliğini korumak için kritik öneme sahiptir. Boru hatları çoğu zaman uzun mesafeler boyunca uzanır ve basınç değişimlerine ve malzeme yorgunluğuna neden olabilecek zorlu çevre koşullarına maruz kalır; bu da çatlaklara yol açabilir. Geleneksel olarak çatlak tespitinde boru hattı inceleme cihazları (pig), ultrasonik test ve radyografi kullanılır. Bu çatlaklar erken tespit edilip onarılmazsa sızıntı ve patlama gibi ciddi sorunlara neden olabilir. Bu sektördeki çatlaklar çevre ve insanlar için büyük bir risk oluşturur.

Şekil 5. Trende ait gaz tanklarını inceleyen çalışanlar. Görsel kaynağı: Envato Elements.

Bilgisayarlı görüyle çatlak segmentasyonu, boru hatlarının durumunun sürekli izlenmesini sağlar. Bakım ekipleri çatlakları erken belirleyerek zamanında onarım yapabilir ve olası felaketleri önleyebilir.

Üretim parçalarının otomatik incelenmesi#

Çatlak segmentasyonuyla otomatik inceleme, üretimde kalite kontrolünü dönüştürüyor. Geçmişte çatlak tespiti görsel kontroller, boya penetrant muayenesi ve manyetik parçacık muayenesiyle yapılırdı. Üretim hattına gelişmiş görüntüleme ve bilgisayarlı görü sistemlerini entegre eden üreticiler, parçalar üretildikten hemen sonra en küçük çatlakları ve kusurları bile tespit edebilir. Müşterilere ulaşmadan önce her bileşen kontrol edilerek yüksek kalite standartlarını karşılaması sağlanabilir.

Otomatik inceleme, doğruluğu ve verimliliği artırır; üretim ekiplerinin sorunları hızla giderebilmesi için gerçek zamanlı geri bildirim sağlar. Manuel inceleme ihtiyacını azaltıp maliyetli geri çağırmaları önleyerek maliyet tasarrufu sağlar. Ayrıca bu sistemler kusurlara ilişkin değerli veriler toplar, kalıpların belirlenmesine ve üretim süreçlerinin iyileştirilmesine yardımcı olarak daha güvenli ve güvenilir ürünlerin ortaya çıkmasını sağlar.

Şekil 6. Metal parçalardaki çatlakların tespiti.

Çatlak segmentasyonunun avantajları ve dezavantajları#

Derin öğrenmeyle çatlak tespiti, güvenliği artırma ve verilere dayalı kararlar alma gibi birçok fayda sağlar. Endüstriyel ortamlarda çatlak tespitinin diğer avantajlarından bazılarına göz atalım:

• Sürdürülebilir uygulamalar: Kapsamlı onarım ve değişim ihtiyacını azaltıp malzeme ve kaynak tasarrufu sağlayarak sürdürülebilir inşaat ve bakım uygulamalarını destekler.
• Aksaklıkları en aza indirir: Daha az ciddi çatlakların rutin bakım sırasında onarılmasını planlamak, operasyonlarda ve kullanımda büyük aksaklıkları önlemeye yardımcı olur.
• Yönetmeliklere uyum: Altyapının düzenli olarak incelenmesini ve bakımını sağlayarak sektör standartlarına ve mevzuat gerekliliklerine uyulmasına yardımcı olur.

Avantajlarına rağmen çatlak segmentasyonunun bazı dezavantajları da vardır. İlk aşamadaki yüksek altyapı maliyetleri küçük kuruluşlar için endişe kaynağı olabilir; sistemin karmaşıklığı da sürekli eğitim ve bakım gerektirir. Çatlak segmentasyonunu endüstriyel uygulamalarda kullanmanın diğer bazı dezavantajları şunlardır:

• Yanlış pozitifler ve yanlış negatifler: Çatlaklar yanlışlıkla tespit edilebilir veya gözden kaçabilir; bu da gereksiz onarımlara ya da gerekli onarımların yapılmamasına 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 etkenler çatlak segmentasyonu 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.

Önemli çıkarımlar#

Çatlak segmentasyonu ve tespiti, endüstriyel altyapımızın güvenli ve dayanıklı kalmasında hayati bir rol oynayabilir. Derin öğrenme ve bilgisayarlı görü gibi gelişmiş teknolojilerden yararlanarak yapısal sorunları erken fark edebilir ve ciddi sorunlara dönüşmeden önce giderebiliriz. Bu proaktif yaklaşım, güvenlik ve mevzuat standartlarını karşılarken zaman ve para tasarrufu sağlar. Ayrıca kapsamlı onarım ihtiyacını en aza indirerek sürdürülebilir uygulamaları destekler. İlk yatırım maliyetinin yüksek ve sistemin karmaşık olması gibi bazı zorluklara rağmen çatlak segmentasyonunun farklı 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 topluluğumuza katıl. Çözümler sayfalarımızda üretim ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet.