Machine Vision

Makine görüsü, 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 paylaşsa da makine görüsü, fiziksel ortamlarla gerçek zamanlı etkileşime odaklanan mühendislik yaklaşımıyla ayrışır. Bir üretim hattının veya otonom sistemin "gözleri" olarak görev yapar; kontrol sistemlerinin kusurları belirlemesine, ürünleri sınıflandırmasına ve robotik kolları yüksek hassasiyetle yönlendirmesine olanak tanıyan görsel verileri toplar. Özel kameraları gelişmiş yazılımlarla birleştiren bu sistemler, otomotiv üretiminden ilaç ambalajlamaya kadar çeşitli sektörlerde kalite kontrolünü ve operasyonel verimliliği artırır.

Makine Görüsü ve Bilgisayarlı Görü Karşılaştırması#

Terimler sıklıkla birbirinin yerine kullanılsa da makine görüsü ve bilgisayarlı görü arasında işlevsel bir ayrım vardır. Bilgisayarlı görü (CV), dijital görüntülerden anlamlı bilgilerin çıkarılmasını kapsayan geniş akademik ve teknolojik alandır. Makine görüsü (MV) ise özellikle CV'nin sistemin başka donanımlarla etkileşim kurması gereken endüstriyel veya pratik ortamlarda uygulanmasını ifade eder.

Örneğin bir bilgisayarlı görü modeli, X ışını görüntülerindeki eğilimleri bulmak için tıbbi bir veri kümesini analiz edebilirken bir makine görüsü sistemi, bir taşıma bandındaki çatlak bir şişeyi milisaniyeler içinde reddeden pnömatik aktüatörü tetiklemek için uç bilişimden yararlanır. MV sistemleri hız, güvenilirlik ve giriş/çıkış (I/O) cihazlarıyla entegrasyona öncelik verir ve düşük gecikmeli performans için modelleri sıklıkla gömülü cihazlara dağıtır.

Temel Bileşenler ve Teknoloji#

Tipik bir makine görüsü sistemi, donanım ve yazılımdan oluşan sıkı bir şekilde entegre edilmiş işlem hattına dayanır. Süreç, özellikleri öne çıkarmak için özel aydınlatma ve yüksek çözünürlüklü kareleri yakalayan görüntü sensörlerini (CMOS veya CCD gibi) içeren görüntü edinim 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 ele alamadığı karmaşık değişkenleri işlemek için giderek daha fazla derin öğrenmeden yararlanıyor. Son teknoloji YOLO26 gibi sinir ağları, makine görüsü sistemlerinin katı programlamaya güvenmek yerine örneklerden öğrenmesini sağlar. Bu değişim, sistemlerin kapsamlı yeniden programlama gerektirmeden yeni ürün çeşitlerini tanıyabildiği uyarlanabilir üretimi mümkün kılar.

Gerçek Dünya Uygulamaları#

Makine görüsü, farklı sektörlerde otomasyonu destekleyerek insan denetiminin ulaşamayacağı tutarlılığı sağlar.

Otomatik Optik Muayene (AOI)#

Elektronik üretiminde AOI sistemleri kalite güvencesi için kritik öneme sahiptir. Devre kartları küçülüp karmaşıklaştıkça insanların bileşenleri doğrulaması zorlaşır. Makine görüsü sistemleri, baskılı devre kartındaki (PCB) eksik, yanlış hizalanmış veya hatalı bileşenleri belirlemek için nesne algılamadan yararlanır. Örnek segmentasyonu kullanarak sistem, elektriksel bağlantıyı güvence altına almak için hassas lehimleme alanını hesaplayabilir. Bir kusur bulunursa sistem, kartı yeniden işleme alınması için otomatik olarak işaretler ve hatalı elektronik ürünlerin tüketici pazarına ulaşmasını önler.

Görüntü Kılavuzlu Robotik (VGR)#

Lojistik ve depolamada kullanılan robotlar, navigasyon ve manipülasyon için makine görüsüne dayanır. Kutu toplama olarak bilinen bir süreçte robot, rastgele yığılmış nesneleri bulup doğru şekilde kavramalıdır. Bunun için bir nesnenin 3B uzaydaki yönelimini ve kilit noktalarını belirleyen poz tahmini gerekir. Robot, görsel girdiyi işleyerek kavrama açısını dinamik olarak ayarlar. Robotikte yapay zekânın bu entegrasyonu, mekanik yeniden donanım değişikliği gerektirmeden farklı ürün şekillerini işleyebilen esnek otomasyon hatları sağlar.

Ultralytics YOLO26 ile Makine Görüsü Uygulama#

Modern çerçeveler sayesinde makine görüsü uygulamaları geliştirmek çok daha erişilebilir hâle geldi. Ultralytics Platformu, endüstriyel veri kümelerini etiketleme ve uç dağıtım için optimize edilmiş modelleri eğitme sürecini kolaylaştırır. Aşağıda, bir geliştiricinin en yeni YOLO modelini kullanarak kusur algılama kontrolünü Python ile nasıl çalıştırabileceğine dair bir örnek 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 görüsü, görsel sensörler ile merkezi yönetim sistemleri arasında verilerin sorunsuzca aktığı akıllı fabrikaların oluşturulmasını kolaylaştıran Endüstri 4.0'ın temel unsurlarından biridir. Sentetik veri oluşturma gibi teknolojiler geliştikçe nadir görülen kusurlar için görü modellerini eğitmek kolaylaşır ve sistem güvenilirliği daha da artar. 5G bağlantısının ve uç yapay zekânın birleşimi, makine görüsünün endüstriyel özerklik ve verimliliğin başlıca itici gücü olmaya devam etmesini sağlar.