Üretim Hattında Sıfır Hata: Görüntü İşleme ve Yapay Zekâ ile Kalite Kontrol

Bir üretim hattında her parçayı gözle kontrol etmek kulağa güvenli gelir. Ama gün boyu aynı parçaya bakan bir göz yorulur, dikkati dağılır ve hata kaçırmaya başlar. Sandia National Laboratories'in görsel kontrol araştırmalarını derleyen raporuna göre eğitimli denetçilerin yaptığı yüzde yüz görsel kontrol bile hataların ancak yüzde 80 ile 85'ini yakalıyor. Geri kalanı müşteriye gidiyor.

Görüntü işleme ve yapay zekâ tam bu noktada devreye giriyor. Kamera yorulmaz, aynı ölçütü her parçaya aynı biçimde uygular ve sonucu anında kaydeder. Bu yazıda böyle bir sistemin parçalarını, yapay zekânın klasik görüntü işlemeye ne kattığını ve kendi hattınızda izlemeniz gereken yolu sade bir dille anlatıyoruz.

Görüntü İşleme ile Kalite Kontrol Nedir?

En basit haliyle, parçanın fotoğrafını çekip bu fotoğrafı bir yazılımla incelemektir. Klasik görüntü işleme belirli kurallara dayanır: kenarları bulur, alanları ölçer, iki görüntüyü üst üste koyup farkı alır. Deliğin çapı toleransın dışına çıktı mı, etiket doğru yere yapıştı mı, parça sayısı tam mı gibi soruları bu yöntemler yıllardır güvenilir biçimde cevaplıyor.

Kuralla tarif edilemeyen durumlarda ise klasik yöntemler zorlanır. Çizik her seferinde farklı yerde ve farklı biçimde çıkar, yüzeydeki leke ışığa göre değişir, bir parça yerinde durur ama biçimi bozulmuştur. Yapay zekânın kalite kontrole girmesinin nedeni bu tür "tarifi zor" hatalardır.

Bir Kalite Kontrol Sistemi Hangi Parçalardan Oluşur?

• Kamera ve sensör: Endüstriyel kamera, hat boyu tarayan kamera, termal kamera ya da parçanın içini gösteren X-ışını. Seçimi hatanın nerede olduğu belirler.
• Aydınlatma: En çok ihmal edilen ve en çok sorun çıkaran parça. Sabit, kontrollü ışık en iyi modelden daha çok fark yaratır.
• Tetikleme ve hat bağlantısı: Parça kameranın önüne geldiğinde fotoğrafın çekilmesi, sonucun PLC'ye iletilmesi, hatalı parçanın ayrılması.
• İşlem birimi: Hattın yanında bir bilgisayar ya da GPU'lu bir sunucu.
• Yazılım ve operatör ekranı: Sonucu gösteren, kayıt tutan, eşiklerin ayarlanmasına izin veren arayüz.

Yapay Zekâ Kalite Kontrolde Neyi Değiştirdi?

Yapay zekâ tabanlı sistemlerde kural yazmak yerine örnek gösterirsiniz. Birkaç yüz görüntüde "bu bir vida, bu bir klips" diye işaretlersiniz; derin öğrenme modeli (çoğunlukla evrişimli sinir ağları, yani CNN) parçayı bu örneklerden tanımayı öğrenir. Bu yaklaşıma nesne tespiti denir: model aradığı parçaları bulur, etraflarına kutu çizer ve "var mı, kaç tane, nerede" sorularına cevap verir.

Eksik parça, yanlış sayıda parça ve yanlış yere takılmış parça gibi hatalar bu yöntemle çok iyi yakalanır. McKinsey'nin sanayide yapay zekâ raporuna göre görüntü tanımaya dayalı otomatik kontrol, insan kontrolüne kıyasla hata yakalama oranını yüzde 90'a kadar artırabiliyor; aynı raporda verimlilik kazancı yüzde 50'ye kadar çıkıyor.

Nesne Tespiti Yetmediğinde: Anomali Tespiti Nasıl Çalışır?

Nesne tespitinin göremediği bir hata sınıfı var: parça yerinde duruyor, sayısı doğru, ama biçimi bozuk. Bir yay çökmüş, bir conta yuvasında kaymış ya da bir kablo gerektiği gibi durmuyor olabilir. Model parçayı bulur ve "var" der; haklıdır da. Kusur parçanın varlığında değil, biçimindedir.

Bu tür kusurları ayrı bir sınıf olarak öğretmek zordur, çünkü kusurlu örnek azdır ve her kusur farklı görünür. Anomali tespiti sorunu tersine çevirir: modele kusuru değil, sağlıklıyı öğretirsiniz. Sağlıklı parça görüntülerinden bir referans havuzu oluşturulur. Yeni bir parça geldiğinde görüntü küçük bölgelere ayrılır ve her bölge, havuzdaki en benzer sağlıklı bölgeyle karşılaştırılır. Sağlıklıya benzemeyen bölgeler ısı haritasında öne çıkar; görüntünün tamamı için tek bir anomali skoru hesaplanır ve skor eşiği aşarsa parça ayrılır.

Yöntemin pratik yanı, model eğitimi gerektirmemesidir. Önceden eğitilmiş bir görüntü modeli (günümüzde çoğunlukla Vision Transformer tabanlı temel modeller) olduğu gibi kullanılır. Kusurlu örnekler yalnızca eşiği ayarlamak ve sistemi doğrulamak için gerekir.

Adım Adım: Hattınızda Görüntü İşleme Projesi Nasıl Kurulur?

1. Hata kataloğu: Hangi hatalar yakalanacak, hangileri kritik? Kalite ekibiyle örnek fotoğraflı, yazılı bir liste hazırlayın.
2. Kamerayı ve ışığı sabitleyin: Aynı açı, aynı mesafe, aynı ışık. Buradaki tasarruf sonradan veri sorunu olarak geri döner.
3. Veri toplayın ve etiketleyin: Birkaç yüz sağlıklı, olabildiğince çok kusurlu görüntü. Aynı parçanın farklı çekimlerini ayrı örnek saymayın.
4. Modeli kurun ve eşiği belirleyin: Eşiği, sisteme hiç gösterilmemiş görüntülerle doğrulayın.
5. Hatta bağlayın: Tetikleme sinyali, PLC bağlantısı, ayırma mekanizması, operatör ekranı.
6. İzleyin ve yeniden kalibre edin: Işık, tedarikçi ya da kalıp değişince skorlar kayar; yanlış alarm ve kaçan hata sayılarını haftalık takip edin.

Başarıyı Nasıl Ölçersiniz?

İki sayı yeter: yakalama oranı ve yanlış alarm oranı. Yakalama oranı, gerçekten kusurlu parçaların ne kadarının yakalandığını söyler. Yanlış alarm oranı ise sağlıklı parçaların ne kadarının haksız yere ayrıldığını gösterir. Bu ikisi birbirine karşı çalışır: eşiği düşürürseniz daha çok kusur yakalarsınız ama daha çok sağlıklı parça da ayrılır.

Hangisinin ağır basacağı ürüne bağlıdır. Güvenlik parçasında kaçan bir hata yanlış alarmdan çok daha pahalıdır; ucuz ve hızlı üretilen bir parçada ise her yanlış alarm hattı gereksiz yere durdurur. Bu dengeyi devreye almadan önce bir tabloya dökmek sonraki tartışmayı önler.

Sık Yapılan Hatalar ve Dikkat Edilecek Noktalar

• Işığı ihmal etmek: Gün ışığı alan bir hatta sabah ve akşam skorları farklı çıkar.
• Az kusurlu örnekle kesin konuşmak: Otuz kusurlu görüntüyle ölçülen yüzde 95, sahada yüzde 85'e inebilir; sonucu güven aralığıyla isteyin.
• Aynı görüntünün kopyalarını hem öğrenme hem test tarafında kullanmak: Sonuç yapay olarak iyi görünür, sahada hayal kırıklığı yaşanır.
• Eşiği bir kez ayarlayıp unutmak: Üretim koşulları değiştikçe eşik de gözden geçirilmeli.
• İnsanı devreden çıkarmak: İlk aylarda "şüpheli" parçalar operatöre gösterilsin; operatörün kararları sonraki kalibrasyonun verisi olur.
• Veri gizliliğini unutmak: Ürün görüntüleri çoğu zaman ticari sırdır; görüntülerin fabrikadan çıkmadığı, yerelde çalışan çözümleri tercih edin.

Sık Sorulan Sorular

Kaç görüntü gerekir?
Nesne tespiti için sınıf başına birkaç yüz etiketli görüntü iyi bir başlangıçtır. Anomali tespiti için yüz civarı sağlıklı görüntüyle referans havuzu kurulabilir; kusurlu örnekler eşiği ayarlamak için gerekir, ne kadar çoksa sonuç o kadar güvenilirdir.

Mevcut kameralarımızla çalışır mı?
Çoğu zaman evet. Asıl soru kameranın değil, ışığın ve sabitlemenin yeterli olup olmadığıdır. Parçanın içini görmek gerekiyorsa X-ışını gibi farklı bir sensör şarttır.

GPU şart mı?
Eğitim için faydalı, çalışma anında her zaman değil. Düşük hat hızlarında sıradan bir bilgisayar yeterli olabilir; saniyede onlarca parça geçen hatlarda GPU'lu bir cihaz gerekir.

İnsan kontrolünü tamamen kaldırır mı?
Kısa vadede hayır. Sistem yorulmadan ön eleme yapar; şüpheli parçalar ve yeni hata türleri için insan kararı gerekir. Zamanla insanın baktığı parça sayısı azalır.

Sonuç

Üretim hattında sıfır hata hedefine tek bir teknolojiyle değil, doğru kurulmuş bir zincirle yaklaşılır: iyi ışık ve sabit kamera, hatayı tarif edebiliyorsanız klasik görüntü işleme, parçaları bulmak için nesne tespiti, tarifi zor biçim bozukluklarını yakalamak için anomali tespiti ve hepsinin üstünde, sonuçları ölçüp eşiği zamanla düzelten bir izleme düzeni. Otomotiv yan sanayiden savunmaya, elektronik montajdan ambalaja kadar aynı parçanın çok sayıda üretildiği her yerde bu zincir kurulabiliyor. Arca Yazılım olarak bu yaklaşım üzerinde endüstriyel görüntülerle çalışıyoruz.

Bu konu hakkında daha fazla bilgi almak için 0312 256 72 78 numaralı telefondan bize ulaşabilir, detaylı bilgi ve diğer çözümlerimiz için www.arcayazilim.com adresini ziyaret edebilirsiniz.