Machine Vision

Makine görüşü (MV), ürünleri incelemek, parçaları ölçmek, kodları okumak ve makineleri yönlendirmek için endüstriyel otomasyonda kameraların, optik bileşenlerin, aydınlatmanın ve görüntü analizinin kullanılmasıdır. Her sonuç; bir parçayı reddetme, ayırma veya bir robotu yönlendirme gibi bir eylemi tetikler. Makine görüşü, kontrol döngüsüne uyarlanmış bilgisayarlı görü uygulamasıdır: paketleme hattındaki bir görüntü sistemi, her kararı hattın çevrim süresi içinde tamamlamalı (hızlı bir şişeleme hattında parça başına onlarca milisaniye) ve sonucu dijital G/Ç veya endüstriyel ağ üzerinden programlanabilir mantık denetleyicisine (PLC) bildirmelidir. Görevler genellikle dört grupta toplanır: yönlendirme (robotlar için parçaların konumunu belirleme), denetim (kusurları ve eksik özellikleri bulma), ölçüm (boyutları ölçme) ve tanımlama (barkodları, data matrix kodlarını ve basılı metinleri optik karakter tanıma ile okuma).

Makine Görüşü, Bilgisayarlı Görü ve Görüntü İşleme#

Makine görüşü; görüntüleri gürültüyü filtreleyerek veya kenarları keskinleştirerek dönüştüren görüntü işlemeyi ve her türlü ortamda görüntülerden anlam çıkaran bilgisayarlı görüyü endüstriyel makinelere uygular. Makine görüşünü tanımlayan unsurlar donanım ve sistem entegrasyonudur: kontrollü aydınlatma ve optik bileşenler, hattaki sensörlerle tetiklenen kameralar, deterministik zamanlama ve aktüatörlere bağlanan çıkışlar. Üç alan arasındaki fark çoğunlukla kapsamla ilgilidir; modern makine görüşü sistemleri, diğer bilgisayarlı görü uygulamalarıyla aynı derin öğrenme modellerini çalıştırır.

Makine Görüşü Sisteminin Bileşenleri#

• Aydınlatma: Aydınlatma, kameranın neleri görebileceğini belirler. Arkadan aydınlatma, hassas kenar ölçümü için parçaları silüet hâline getirir; yaygın kubbe ışıkları parlak yüzeylerdeki yansımaları azaltır; düşük açılı karanlık alan ışıkları çizikleri ve kabartmalı karakterleri belirginleştirir; yansıtılan lazer çizgileri ise 3B yükseklik profillerini ortaya çıkarır.
• Optik bileşenler: Telecentrik lensler, parçaya olan mesafe değişse de büyütmeyi sabit tutar; böylece ölçüm sonuçları parçanın konumuna bağlı olmaz.
• Kameralar: Alan taramalı kameralar ayrı parçaları tek pozlamada yakalar; satır taramalı kameralar çelik, kâğıt ve kumaş gibi sürekli malzemelerin görüntülerini satır satır oluşturur; 3B sensörler ise lazer üçgenlemesi, stereo görüş veya uçuş süresinden yararlanır. GigE Vision, USB3 Vision ve GenICam gibi arayüz standartları, yazılımların farklı üreticilerin kameralarını kontrol etmesini sağlar.
• İşleme ve G/Ç: Fotoelektrik sensör veya kodlayıcı her görüntü yakalamayı tetikler, akıllı kamera ya da endüstriyel bilgisayar analizi çalıştırır ve sonuç PLC'ye iletilir. Bu işlemler giderek daha çok GPU veya NPU içeren uç donanımlarda yürütülür.

Kural Tabanlı Araçlar ve Derin Öğrenme#

Klasik makine görüşü yazılımları, deterministik araçları art arda çalıştırır: eşikleme, blob analizi, kenar algılama, örüntü eşleştirme ve kenarlar arasındaki mesafeyi ölçen kumpas araçları. Bu örnek, madeni para fotoğrafında blob analizi çalıştırarak parçaları sayar ve boyutlarını ölçer:

import numpy as np
from scipy import ndimage as ndi
from skimage import data, filters, measure, segmentation

# Grayscale photo of 24 Greek coins on a gray background, bundled with scikit-image
image = data.coins()

# Seed the background (dark) and the parts (bright), then grow both along edge strength
markers = np.zeros_like(image)
markers[image < 30] = 1
markers[image > 150] = 2
mask = ndi.binary_fill_holes(segmentation.watershed(filters.sobel(image), markers) == 2)

# Blob analysis: label each part, ignore specks, and gauge each diameter in pixels
parts = [r for r in measure.regionprops(measure.label(mask)) if r.area > 300]
diameters = [part.equivalent_diameter_area for part in parts]
print(f"{len(parts)} parts, diameters {min(diameters):.0f}-{max(diameters):.0f} px")

Çıktıda 24 parts, diameters 37-63 px yazdırılır: her madeni para bulunup ölçülür; bir üretim sistemi her çapı toleransla karşılaştırıp sonucu PLC'ye gönderir. Bu fotoğraftaki arka plan sol üst tarafa doğru aydınlanır ve madeni paralarla benzer gri tonlara sahiptir; bu nedenle tek bir global Otsu eşiği görüntüyü 96 blob'a böler. Üretim hattında bu sorunu kontrollü aydınlatma önler.

Kural tabanlı araçlar sabit geometrili parçalar için hızlı, açıklanabilir ve kesindir; ancak ahşap damarları, yiyecekler veya pek çok farklı biçim alabilen kozmetik kusurlar gibi doğal çeşitlilikte zorlanırlar. Nesne algılama, örnek segmentasyonu ve anomali algılama modelleri bu durumları örneklerden öğrenir. Kusurlu görüntülerle eğitilmiş bir YOLO26 segmentasyon modeli çizik ve çatlakların dış hatlarını piksel piksel belirler; Ultralytics'in dışa aktarma modu da modeli TensorRT veya OpenVINO'ya dönüştürerek gerçek zamanlı çıkarımın endüstriyel bir PC'de veya NVIDIA Jetson üzerinde hattın çevrim süresine sığmasını sağlar.

Gerçek Dünya Uygulamaları#

• Otomatik optik denetim: Elektronik üretim hatları, baskılı devre kartlarını eksik, kaymış veya ters takılmış bileşenler ve hatalı lehim bağlantıları açısından inceler; çoğunlukla bileşenler yerleştirilmeden önce 3B lehim pastası denetimi de yapılır.
• İlaç ve ambalaj denetimi: Sistemler dolum seviyelerini, kapakları ve etiketleri denetler; OCR ise her ambalajın üzerindeki parti kodunu ve son kullanma tarihini okur.
• Görüş kılavuzlu robotik: Robotlar, kutudan parça alma işlemi için rastgele yığılmış parçaların konumunu belirler; kavrama noktası seçmek amacıyla 3B sensörlerden ve poz kestiriminden yararlanır.
• Otomotiv üretimi: 3B sensörler gövde panelleri arasındaki boşluğu ve yüzey hizasını ölçer; kameralar da araçlar hattan çıkmadan önce boya kalitesini ve kaynak dikişlerini denetler.