Machine Vision

Makine görüşü; görsel denetim ve yönlendirme görevlerini otomatikleştirmek için optik sensörlerin, dijital görüntüleme donanımının ve görüntü işleme algoritmalarının endüstriyel ekipmanlara entegre edilmesini ifade eder. Daha geniş yapay zekâ teknolojileriyle ortak bir temeli olsa da makine görüşü, gerçek zamanlı olarak fiziksel ortamlarla etkileşime odaklanan mühendislik yaklaşımıyla ayrılır. Bir üretim hattının veya otonom sistemin "gözleri" gibi çalışır; kontrol sistemlerinin kusurları belirlemesini, ürünleri ayırmasını ve robot kollarını yüksek hassasiyetle yönlendirmesini sağlayan görsel verileri yakalar. Uzmanlaşmış kameraları gelişmiş yazılımlarla birleştiren bu sistemler, otomotiv üretiminden ilaç ambalajlamaya kadar çeşitli sektörlerde kalite kontrolünü ve operasyonel verimliliği artırır.

Makine Görüşü ve Bilgisayarlı Görü#

Terimler sıklıkla birbirinin yerine kullanılsa da makine görüşü ile bilgisayarlı görü arasında işlevsel bir fark vardır; tıpkı bilgisayarlı görü ile geleneksel görüntü işlemenin farklı olması gibi. Bilgisayarlı görü (CV), dijital görüntülerden anlamlı bilgiler çıkarılmasını kapsayan genel akademik ve teknolojik alandır. Makine görüşü (MV) ise özellikle sistemin diğer donanımlarla etkileşim kurması gereken endüstriyel veya pratik ortamlarda CV'nin uygulanmasını ifade eder.

Örneğin, bir bilgisayarlı görü modeli röntgen görüntülerindeki eğilimleri bulmak için tıbbi bir veri kümesini analiz edebilirken makine görüşü sistemi, konveyör bandındaki çatlak bir şişeyi milisaniyeler içinde reddeden pnömatik bir aktüatörü tetiklemek için uç bilişimden yararlanır. MV sistemlerinde hıza, güvenilirliğe ve giriş/çıkış (I/O) aygıtlarıyla tümleşmeye öncelik verilir; düşük gecikmeli performans için modeller genellikle gömülü cihazlara dağıtılır.

Temel Bileşenler ve Teknoloji#

Tipik bir makine görüşü sistemi, donanım ve yazılımdan oluşan sıkı biçimde bütünleşmiş bir işlem hattına dayanır. Sistem, özellikleri belirginleştiren özel aydınlatmayı ve yüksek çözünürlüklü kareleri yakalayan görüntü sensörlerini (CMOS veya CCD gibi) içeren görüntü yakalama alt sistemiyle başlar. Bu veriler, algoritmaların piksel verilerini analiz ettiği bir işlem birimine (genellikle endüstriyel bir PC veya akıllı kamera) aktarılır.

Modern sistemler, geleneksel kural tabanlı algoritmaların başa çıkamadığı karmaşık farklılıkları yönetmek için giderek daha fazla derin öğrenmeden yararlanıyor. Son teknoloji YOLO26 gibi sinir ağları, makine görüşü sistemlerinin katı programlamaya dayanmak yerine örneklerden öğrenmesini sağlar. Bu değişim, sistemlerin kapsamlı yeniden programlama olmadan yeni ürün türlerini tanıyabildiği uyarlanabilir üretimi mümkün kılar.

Gerçek Dünya Uygulamaları#

Makine görüşü, çeşitli sektörlerde otomasyonu destekleyerek insan denetiminin sağlayamayacağı tutarlılığı garanti eder.

Otomatik Optik Denetim (AOI)#

Elektronik üretiminde AOI sistemleri, kalite güvencesi için kritik öneme sahiptir. Devre kartları küçülüp karmaşıklaştıkça insanların bileşenleri doğrulaması zorlaşır. Makine görüşü sistemleri, baskılı devre kartındaki (PCB) eksik, eğik veya yanlış bileşenleri belirlemek için nesne algılamadan yararlanır. Örnek segmentasyonu kullanan sistem, elektrik bağlantısını güvence altına almak için lehimleme alanını hassas biçimde hesaplayabilir. Bir kusur tespit edilirse sistem, kartı yeniden işlenmek üzere otomatik olarak işaretleyerek hatalı elektronik ürünlerin tüketici pazarına ulaşmasını önler.

Görüş Destekli Robotik (VGR)#

Lojistik ve depolamada kullanılan robotlar, gezinme ve nesneleri hareket ettirme için makine görüşünden yararlanır. Kutu toplama olarak bilinen bir süreçte robot, rastgele yığılmış nesneleri bulmalı ve doğru şekilde kavramalıdır. Bunun için, nesnenin 3B uzaydaki yönünü ve temel noktalarını belirleyen poz tahmini gerekir. Robot, görsel girdiyi işleyerek kavrama açısını dinamik olarak ayarlar. Robotikte yapay zekânın bu entegrasyonu, mekanik araçları değiştirmeden farklı ürün biçimlerini işleyebilen esnek otomasyon hatları sağlar.

Ultralytics YOLO26 ile Makine Görüşünü Uygulama#

Modern çerçeveler sayesinde makine görüşü uygulamaları geliştirmek çok daha erişilebilir hâle geldi. Ultralytics Platform, endüstriyel veri kümelerini etiketleme ve uçta dağıtım için optimize edilmiş modelleri eğitme sürecini basitleştirir. Aşağıda, bir geliştiricinin en yeni YOLO modelini kullanarak kusur algılama kontrolünü Python ile nasıl çalıştırabileceğine dair bir örnek yer alıyor.

from ultralytics import YOLO

# Load a YOLO26 model; in production, use custom weights trained on your defect classes
# '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, görsel sensörler ile merkezi yönetim sistemleri arasında verilerin sorunsuzca aktığı akıllı fabrikaların kurulmasını sağlayarak Endüstri 4.0'ın temel taşlarından biri hâline geliyor. Sentetik veri üretimi gibi teknolojiler geliştikçe, nadir görülen kusurlar için görüş modelleri eğitmek kolaylaşıyor ve sistem güvenilirliği daha da artıyor. 5G bağlantısı ile uç yapay zekânın yakınsaması, makine görüşünün endüstriyel özerklik ve verimliliğin başlıca itici gücü olmaya devam etmesini sağlıyor.