Çatlak tespiti ve segmentasyonu için yapay zeka kullanımı

Bir yüzeydeki çatlağa baktığında bu küçük bir sorun gibi görünebilir, ancak ciddi yapısal hasarların iyi bir erken göstergesidir. Örneğin, köprüler çatlaklar için düzenli olarak denetlenir ve bunlar her yıl tüm köprü hasarlarının 90%'ını 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 kullanarak çatlak tespiti birçok endüstriyel ortamda faydalıdır. İnşaatlarda yapı bütünlüğünü garanti altına almaya yardımcı olur, üretimde maliyetli duruşları önler ve yol ile kaldırım denetimlerini daha güvenli ve etkili hale getirir. Bu makalede, Ultralytics YOLOv8 gibi yapay zeka ve bilgisayarlı görü modellerini kullanarak çatlakları geleneksel yöntemlerden çok daha hızlı ve kolay bir şekilde nasıl tespit edip segmentlere ayırabileceğine daha yakından bakacağız.

Link to this sectionÇatlak segmentasyonu nedir?#

Çatlak segmentasyonuna dalmadan önce, segmentasyonun ne olduğunu anlayalım. Segmentasyon, bir görüntüyü farklı bölgelere veya parçalara ayırmayı içeren bir bilgisayarlı görü görevidir. Amaç, görüntüyü basitleştirmek ve analiz etmeyi kolaylaştırmaktır. Nesne tespiti gibi görevler nesneleri tanımlamak ve konumlandırmak için sınırlayıcı kutular (bounding boxes) kullanırken, segmentasyon sana piksel düzeyinde bir anlayış sağlar.

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.

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

Link to this sectionÇatlak segmentasyonunun nasıl çalıştığını anlamak#

Çatlak segmentasyonunu uygulamanın ilk adımı, uygulamaya bağlı olarak değişebilecek 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, üretimden sonra metal levhaları denetliyorsan, yüzeylerin ayrıntılı görüntülerini yakalamak için stratejik olarak yerleştirilmiş sabit yüksek çözünürlüklü kameralar kullanmak en iyisi olabilir.

Kamera kurulumunu tamamladıktan sonra, YOLOv8 gibi örnek segmentasyonunu destekleyen bir bilgisayarlı görü modelini eğitebilirsin. Roboflow Universe Çatlak Segmentasyon Veri Kümesi, çatlakların açıklayıcı etiketli görüntülerini içerir ve modelini eğitmek için kullanılabilir. Ayrıca, uygulamana özel çatlak görüntüleri yakalayıp etiketleyerek kendi veri kümeni de 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.

Link to this sectionÇatlak 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.

Link to this sectionYol 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.

Link to this sectionYapısal 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.

Şekil 4. Çatlak segmentasyonu için resim çekmek amacıyla 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.

Link to this sectionPetrol ve gaz sektöründe çatlak tespiti#

In the oil and gas industry, crack detection is essential for maintaining the safety and reliability of pipelines, storage tanks, and other vital infrastructure. Pipelines often cover long distances and face harsh environmental conditions that can cause pressure changes and material fatigue, leading to cracks. Traditionally, crack detection is done using pipeline inspection gauges (pigs), ultrasonic testing, and radiography. If these cracks are not detected and fixed early, they can lead to severe problems like leaks and explosions. Cracks in this industry pose a huge risk to the environment and humans.

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.

Link to this sectionÜretim parçalarının otomatik denetimi#

Çatlak segmentasyonu kullanılarak yapılan otomatik denetim, üretimdeki kalite kontrolü dönüştürüyor. Eskiden çatlak tespiti; görsel kontroller, sıvı penetran denetimi ve manyetik parçacık denetimi yoluyla yapılırdı. Gelişmiş görüntüleme ve bilgisayarlı görü sistemlerini üretim hattına entegre ederek, üreticiler parçalar üretildikten hemen sonra en küçük çatlakları ve kusurları bile tespit edebilirler. Her bileşen kontrol edilebilir ve müşterilere ulaşmadan önce yüksek kalite standartlarını karşılayacak şekilde üretilebilir.

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.

Şekil 6. Metal Parçalardaki Çatlakları Tespit Etme.

Link to this sectionÇatlak 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 segmentasyonunun bazı dezavantajları da vardır. Yüksek ilk altyapı maliyetleri daha küçük kuruluşlar için endişe verici olabilir ve sistemin karmaşıklığı sürekli eğitim ve bakım gerektirir. İşte endüstriyel uygulamalarda çatlak segmentasyonu kullanmanın diğer eksilerinden bazıları:

• 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.

Link to this sectionÖne 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.

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