Makine Görüntüsü

Makine görüşü, görsel inceleme ve rehberlik görevlerini otomatikleştirmek için optik sensörlerin, dijital görüntüleme donanımının ve görüntü işleme algoritmalarının endüstriyel ekipmana entegrasyonunu ifade eder. Daha geniş kapsamlı yapay zeka teknolojileriyle aynı temeli paylaşsa da, makine görüşü, fiziksel ortamlarla gerçek zamanlı etkileşime odaklanan mühendislik yönüyle farklıdır. Üretim hattının veya otonom sistemin "gözleri" olarak işlev görür ve kontrol sistemlerinin kusurları tespit etmesine, ürünleri sınıflandırmasına ve robotik kolları yüksek hassasiyetle yönlendirmesine olanak tanıyan görsel verileri yakalar. Özel kameraları sofistike yazılımlarla birleştiren bu sistemler, otomotiv üretiminden ilaç ambalajlamaya kadar çeşitli sektörlerde kalite kontrolünü ve operasyonel verimliliği artırır.

Makine Görüntüsü - Bilgisayarlı Görü Karşılaştırması

Bu terimler sıklıkla birbirinin yerine kullanılmasına rağmen, makine görüşü ile bilgisayar görüşü arasında işlevsel bir fark vardır. Bilgisayar görüşü (CV), dijital görüntülerden anlamlı bilgilerin çıkarılmasını içeren kapsamlı bir akademik ve teknolojik alandır. Makine görüşü (MV) ise, sistemin diğer donanımlarla etkileşime girmesi gereken endüstriyel veya pratik ortamlarda CV'nin uygulanmasını ifade eder. Makine görüşü, dijital görüntülerden anlamlı bilgilerin çıkarılmasına odaklanırken, bilgisayar görüşü, dijital görüntülerden anlamlı bilgilerin çıkarılmasına ve bu bilgilerin işlenmesine odaklanır.

Örneğin, bir bilgisayar görme modeli tıbbi bir veri setini analiz ederek röntgenlerdeki eğilimleri belirleyebilirken, bir makine görme sistemi kenar bilişim kullanarak milisaniyeler içinde konveyör bant üzerindeki çatlak şişeyi reddeden bir pnömatik aktüatörü tetikler. MV sistemleri hız, güvenilirlik ve giriş/çıkış (I/O) cihazlarıyla entegrasyona öncelik verir ve genellikle düşük gecikmeli performans için modelleri gömülücihazlara dağıtır.

Temel Bileşenler ve Teknoloji

Tipik bir makine görüş sistemi, sıkı bir şekilde entegre edilmiş donanım ve yazılımdan oluşan bir boru hattına dayanır. Bu sistem, özellikleri vurgulamak için özel aydınlatma ve yüksek çözünürlüklü kareleri yakalayan görüntü sensörleri (CMOS veya CCD gibi) içeren görüntü yakalama alt sistemi ile başlar. Bu veriler, algoritmaların piksel verilerini analiz ettiği bir işleme birimine (genellikle endüstriyel bir PC veya akıllı kamera) iletilir. Bu sistem, makine görüşü uygulamasının başarılı olup olmadığını belirleyen önemli bir rol oynar.

Modern sistemler, geleneksel kural tabanlı algoritmaların başa çıkamadığı karmaşık varyasyonları işlemek için derin öğrenmeyi giderek daha fazla kullanmaktadır. Son teknoloji ürünü YOLO26 gibi sinir ağları, makine görme sistemlerinin katı programlamaya güvenmek yerine örneklerden öğrenmesini sağlar. Bu değişim, sistemlerin kapsamlı bir yeniden programlama yapmadan yeni ürün varyantlarını tanıyabildiği uyarlanabilir üretimi mümkün kılar.

Gerçek Dünya Uygulamaları

Makine görüşü, çeşitli endüstrilerde otomasyonu destekleyerek insan gözleminin sağlayamayacağı tutarlılığı garanti eder.

Otomatik Optik Kontrol (AOI)

Elektronik üretiminde, AOI sistemleri kalite güvencesi için çok önemlidir. Devre kartları küçülüp karmaşıklaştıkça, insan gözü bileşenleri doğrulamakta zorlanmaktadır. Makine görme sistemleri, nesne algılama özelliğini kullanarak baskılı devre kartında (PCB) eksik, eğri veya hatalı bileşenleri tespit eder. Örnek segmentasyonu özelliğini kullanarak sistem, elektriksel bağlantıyı sağlamak için hassas lehimleme alanını hesaplayabilir. Bir kusur bulunursa, sistem kartı otomatik olarak yeniden işleme için işaretler ve hatalı elektronik parçaların tüketici pazarına ulaşmasını önler.

Görsel Kılavuzlu Robotik (VGR)

Lojistik ve depolamada kullanılan robotlar, navigasyon ve manipülasyon için makine görüşüne dayanır. "Kutu toplama" olarak bilinen bir süreçte robot, rastgele istiflenmiş öğeleri bulmalı ve doğru şekilde kavramalıdır. Bu, 3D uzayda bir nesnenin yönünü ve anahtar noktaları belirleyen poz tahminini gerektirir. Görsel girdiyi işleyerek robot, kavrama açısını dinamik olarak ayarlar. Robotikteki bu AI entegrasyonu, mekanik yeniden donatım gerektirmeden farklı ürün şekillerini işleyebilen esnek otomasyon hatlarına olanak tanır.

YOLO26 ile Makine Görüşü Uygulaması

Modern çerçeveler sayesinde makine görüşü uygulamaları geliştirmek çok daha kolay hale geldi. Ultralytics , endüstriyel veri kümelerini etiketleme ve kenar dağıtımı için optimize edilmiş modelleri eğitme sürecini basitleştirir. Aşağıda, bir geliştiricinin en son YOLO kullanarak Python kusur algılama kontrolü Python örneği verilmiştir.

from ultralytics import YOLO

# Load a custom YOLO26 model trained for detecting manufacturing defects
# 'yolo26n.pt' is the nano version, optimized for high-speed inference
model = YOLO("yolo26n.pt")

# Run inference on an image from the production line
# 'conf=0.6' sets a strict confidence threshold to avoid false positives
results = model.predict(source="conveyor_belt_feed.jpg", conf=0.6)

# Process results to trigger an action (e.g., stopping the line)
for r in results:
    if len(r.boxes) > 0:
        print(f"Defect Detected: {r.names[int(r.boxes.cls[0])]}")
        # Logic to trigger hardware rejection mechanism would go here

Gelecek: Endüstri 4.0 ve Ötesi

Makine görüşü, Endüstri 4.0'ın temel direklerinden biridir ve görsel sensörler ile merkezi yönetim sistemleri arasında verilerin sorunsuz bir şekilde aktığı akıllı fabrikaların oluşturulmasını kolaylaştırır. Sentetik veri üretimi gibi teknolojiler geliştikçe, nadir görülen kusurlar için görüş modellerini eğitmek daha kolay hale gelir ve bu da sistem güvenilirliğini daha da artırır. 5G bağlantısı ve uç AI'nın bir araya gelmesi, makine görüşünün endüstriyel özerklik ve verimliliğin temel itici gücü olmaya devam etmesini sağlar.