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.

Makine Görüşü ve Bilgisayarlı Görü#

Terimler genellikle birbirinin yerine kullanılsa da, machine vision vs. computer vision arasında işlevsel bir ayrım vardır. Bilgisayarlı görü (CV), dijital görüntülerden anlamlı bilgi çıkarımını içeren genel akademik ve teknolojik alandır. Makine görüşü (MV), sistemin diğer donanımlarla etkileşime girmesi gereken endüstriyel veya pratik ortamlarda CV'nin uygulanmasını özellikle ifade eder.

Örneğin, bir bilgisayarlı görü modeli röntgenlerdeki eğilimleri bulmak için tıbbi bir veri setini analiz edebilirken, bir makine görüşü sistemi, bir konveyör bandı üzerindeki çatlak bir şişeyi milisaniyeler içinde reddeden pnömatik bir aktüatörü tetiklemek için edge computing kullanır. MV sistemleri hıza, güvenilirliğe ve giriş/çıkış (I/O) cihazlarıyla entegrasyona öncelik verir ve genellikle düşük gecikmeli performans için modelleri embedded devices üzerine dağıtır.

Temel Bileşenler ve Teknoloji#

Tipik bir makine görüşü sistemi, donanım ve yazılımdan oluşan sıkı bir şekilde entegre edilmiş bir boru hattına dayanır. Özellikleri vurgulamak için özel aydınlatma içeren görüntü edinme alt sistemiyle ve yüksek çözünürlüklü kareler yakalayan image sensors (CMOS veya CCD gibi) ile başlar. Bu veriler, algoritmaların piksel verilerini analiz ettiği bir işleme birimine —genellikle endüstriyel bir bilgisayara veya akıllı bir kameraya— iletilir.

Modern sistemler, geleneksel kural tabanlı algoritmaların başa çıkamadığı karmaşık varyasyonların üstesinden gelmek için giderek daha fazla deep learning kullanmaktadır. Son teknoloji ürünü YOLO26 gibi sinir ağları, makine görüşü sistemlerinin katı programlamaya dayanmak yerine örneklerden öğrenmesini sağlar. Bu geçiş, sistemlerin kapsamlı yeniden programlama olmaksızın yeni ürün varyantlarını tanıyabildiği adaptive manufacturing olanak tanır.

Gerçek Dünya Uygulamaları#

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

Otomatik Optik Denetim (AOI)#

Elektronik üretiminde, AOI sistemleri kalite güvencesi için hayati önem taşır. Devre kartları küçüldükçe ve daha karmaşık hale geldikçe, insan gözü bileşenleri doğrulamakta zorlanır. Makine görüşü sistemleri, basılı devre kartı (PCB) üzerindeki eksik, eğri veya yanlış bileşenleri belirlemek için object detection kullanır. instance segmentation kullanarak sistem, elektriksel bağlantıyı sağlamak için kesin lehimleme alanını hesaplayabilir. Bir kusur bulunursa, sistem hatalı elektroniğin tüketici pazarına ulaşmasını önleyerek kartı yeniden işleme için otomatik olarak işaretler.

Görüntü Kılavuzlu Robotik (VGR)#

Lojistik ve depoculukta kullanılan robotlar, navigasyon ve manipülasyon için makine görüşüne güvenir. Bin picking olarak bilinen bir süreçte, bir robot rastgele yığılmış öğeleri bulmalı ve bunları doğru bir şekilde kavramalıdır. Bu, bir nesnenin 3 boyutlu uzaydaki yönelimini ve anahtar noktalarını belirleyen pose estimation gerektirir. Görsel girdiyi işleyerek robot, kavrama açısını dinamik olarak ayarlar. AI in robotics entegrasyonu, mekanik yeniden aletlendirme olmaksızın farklı ürün şekillerini işleyebilen esnek otomasyon hatlarına izin verir.

Ultralytics YOLO26 ile Makine Görevi Uygulama#

Makine görüşü uygulamaları geliştirmek, modern çatı yazılımlar ile önemli ölçüde daha erişilebilir hale gelmiştir. Ultralytics Platform, endüstriyel veri setlerini etiketleme sürecini ve uç dağıtımı için optimize edilmiş modelleri eğitme sürecini basitleştirir. Aşağıda, bir geliştiricinin en son YOLO modelini kullanarak bir kusur tespiti kontrolü çalıştırmak için Python'ı nasıl kullanabileceğinin bir örneği 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

Gelecek: Endüstri 4.0 ve Ötesi#

Makine görüşü, görsel sensörler ile merkezi yönetim sistemleri arasında verilerin sorunsuz bir şekilde aktığı akıllı fabrikaların oluşturulmasını kolaylaştıran Industry 4.0 bir sütunudur. synthetic data üretimi gibi teknolojiler geliştikçe, nadir kusurlar için görü modellerini eğitmek daha kolay hale gelir ve sistem güvenilirliği daha da artar. 5G bağlantısının ve edge AI yakınsaması, makine görüşünün endüstriyel otonominin ve verimliliğin ana itici gücü olmaya devam etmesini sağlar.