Machine Vision

Makine görüşü; görsel denetim ve yönlendirme görevlerini otomatikleştirmek için optik sensörlerin, dijital görüntüleme donanımlarının ve görüntü işleme algoritmalarının endüstriyel ekipmanlara entegrasyonunu ifade eder. Daha geniş yapay zeka teknolojileriyle aynı temeli paylaşsa da, makine görüşü fiziksel ortamlarla gerçek zamanlı etkileşime girmeye odaklanan mühendislik yaklaşımıyla farklılaşır. Bir üretim hattının veya otonom sistemin "gözleri" olarak işlev görür ve kontrol sistemlerinin hataları tanımlamasına, ürünleri sınıflandırmasına ve robot kollarını yüksek hassasiyetle yönlendirmesine olanak tanıyan görsel verileri yakalar. Özel kameraları gelişmiş yazılımlarla birleştiren bu sistemler, otomotiv üretiminden ilaç paketlemeye kadar pek çok sektörde kalite kontrolü ve operasyonel verimliliği artırır.

Link to this sectionMakine Görüşü ve Bilgisayarlı Görü#

Terimler genellikle birbirinin yerine kullanılsa da, makine görüşü ve bilgisayarlı görü arasında işlevsel bir ayrım vardır. Bilgisayarlı görü (CV), dijital görüntülerden anlamlı bilgilerin çıkarılmasını içeren kapsamlı akademik ve teknolojik alandır. Makine görüşü (MV) ise, sistemin diğer donanımlarla etkileşime girmesinin gerektiği endüstriyel veya pratik ortamlarda CV'nin uygulanmasını özel olarak ifade eder.

Örneğin, bir bilgisayarlı görü modeli röntgenlerdeki eğilimleri bulmak için tıbbi bir veri setini analiz edebilir; oysa bir makine görüşü sistemi, milisaniyeler içinde bir konveyör bandındaki çatlak bir şişeyi ayıran pnömatik bir aktüatörü tetiklemek için edge computing teknolojisini kullanır. MV sistemleri hıza, güvenilirliğe ve giriş/çıkış (I/O) cihazlarıyla entegrasyona öncelik verir ve genellikle düşük gecikmeli performans için modelleri gömülü cihazlara dağıtır.

Link to this sectionTemel Bileşenler ve Teknoloji#

Tipik bir makine görüşü sistemi, donanım ve yazılımın sıkı bir şekilde entegre edildiği bir iş akışına dayanır. Süreç, özellikleri vurgulamak için özel aydınlatma ve yüksek çözünürlüklü kareleri yakalayan görüntü sensörleri (CMOS veya CCD gibi) içeren görüntü edinme alt sistemiyle başlar. Bu veriler, algoritmaların piksel verilerini analiz ettiği endüstriyel bir PC veya akıllı kamera olan bir işleme birimine iletilir.

Modern sistemler, geleneksel kural tabanlı algoritmaların başa çıkamadığı karmaşık varyasyonları yönetmek için giderek daha fazla derin öğrenme kullanmaktadır. En son teknoloji ürünü YOLO26 gibi sinir ağları, makine görüşü sistemlerinin katı programlamaya güvenmek yerine örneklerden öğrenmesini sağlar. Bu değişim, sistemlerin kapsamlı yeniden programlamaya ihtiyaç duymadan yeni ürün varyantlarını tanıyabildiği uyarlanabilir üretime olanak tanır.

Link to this sectionGerçek Dünya Uygulamaları#

Makine görüşü, insan denetiminin eşleşemeyeceği bir tutarlılık sağlayarak farklı sektörlerde otomasyonu yönlendirir.

Link to this sectionOtomatik Optik Denetim (AOI)#

Elektronik üretiminde AOI sistemleri kalite güvencesi için kritiktir. Devre kartları küçülüp karmaşıklaştıkça, insan gözü bileşenleri doğrulamakta zorlanır. Makine görüşü sistemleri, baskılı devre kartı (PCB) üzerindeki eksik, eğri veya yanlış bileşenleri belirlemek için nesne algılama kullanır. Örnek segmentasyonu kullanarak sistem, elektriksel bağlantıyı sağlamak için kesin lehimleme alanını hesaplayabilir. Bir hata bulunursa, sistem hatalı elektronik parçaların tüketici pazarına ulaşmasını önlemek için kartı otomatik olarak yeniden işleme üzere işaretler.

Link to this sectionGörüntü Kılavuzlu Robotik (VGR)#

Lojistik ve depolamada kullanılan robotlar, navigasyon ve manipülasyon için makine görüşüne güvenir. Kutu toplama (bin picking) olarak bilinen bir süreçte, robotun rastgele yığılmış öğeleri bulması ve onları doğru şekilde kavraması gerekir. Bu, bir nesnenin 3D uzaydaki yönelimini ve ana noktalarını belirleyen poz tahmini gerektirir. Görsel girdiyi işleyerek robot, tutma açısını dinamik olarak ayarlar. Robotikte YZ entegrasyonu, mekanik yeniden donanıma ihtiyaç duymadan farklı ürün şekillerini işleyebilen esnek otomasyon hatlarına olanak tanır.

Link to this sectionYOLO26 ile Makine Görüşü Uygulaması#

Makine görüşü uygulamaları geliştirmek modern çerçevelerle önemli ölçüde daha erişilebilir hale geldi. Ultralytics Platform, endüstriyel veri setlerini etiketleme ve uç birimlere dağıtım için optimize edilmiş modelleri eğitme sürecini basitleştirir. Aşağıda, bir geliştiricinin en güncel YOLO modelini kullanarak nasıl hata tespiti kontrolü yapabileceğine dair bir örnek bulunmaktadır.

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

Link to this sectionGelecek: Endüstri 4.0 ve Ötesi#

Makine görüşü, verilerin görsel sensörler ile merkezi yönetim sistemleri arasında sorunsuz bir şekilde aktığı akıllı fabrikaların oluşturulmasını kolaylaştıran Endüstri 4.0'ın bir temel taşıdır. Sentetik veri üretimi gibi teknolojiler geliştikçe, nadir hatalar için görü modellerini eğitmek kolaylaşır ve sistem güvenilirliği daha da artar. 5G bağlantısı ve uç YZ yakınsaması, makine görüşünün endüstriyel otonomi ve verimliliğin birincil itici gücü olmaya devam etmesini sağlar.