Kalite kontrolde yapay zekâ ve görüntü işleme: nerelerde kullanılır, nasıl kurulur?
Kalite kontrolde yapay zekâ, kameradan gelen görüntüyü yazılımla inceleyip hatalı parçayı, fireyi ya da eksik montajı insan gözünden bağımsız ve her parçada yakalamaktır. Literatürde buna makine görüşü (machine vision) denir; görüntü işleme ve derin öğrenme tabanlı nesne tespiti bu işin iki temel yöntemidir.
Kalite kontrolde yapay zekâ nedir?
Arkadaşlar, sahada kalite kontrol çoğu zaman bir arkadaşımızın gözüne ve dikkatine emanet. Vardiyanın ilk saatinde dikkat yerinde, yedinci saatinde aynı değil. Üstelik hat hızlıysa her parçaya bakmak mümkün olmuyor; numune alınıyor, gerisi kabul ediliyor.
Yapay zekâ destekli kalite kontrolde kamera her parçayı görüyor, yazılım tanımlanan kurala ya da öğrendiği örneklere göre “sağlam” ya da “hatalı” diyor. Kalite sorumlusu arkadaşımız ise yalnızca şüpheli görülen parçalarla ilgileniyor.
Görüntü işleme nerelerde kullanılır?
Üretimde görüntü işlemenin en sık kullanıldığı yerler şunlar:
- Yüzey hatası: çizik, leke, çatlak, kumaşta dokuma hatası, boyada akıntı.
- Eksik ya da yanlış montaj: vida, conta, etiket var mı, doğru yerde mi.
- Ölçü ve konum: parçanın boyutu, delik yeri, hizalama.
- Etiket ve kod okuma: barkod, karekod, son kullanma tarihi, lot numarası.
- Fire ve hurda takibi: makinede fire oluştuğu anı yakalamak.
- Sayım: banttan geçen ürün, paletteki koli adedi.
- İş güvenliği: tehlikeli bölgeye giriş, baret ve yelek kontrolü.
Mevcut güvenlik kameralarıyla fire ve kalite hatasını yakalamak için: eproses görüntü işleme ile kalite ve fire takibi — Mevcut güvenlik kamerasıyla üretim firesi takibi
Görüntü işleme mi, derin öğrenme mi? YOLO nedir?
İki yol var. Birincisi klasik görüntü işleme: görüntüde renk, parlaklık, kenar ve doku gibi özelliklere kural koyarsınız. Örneğin “bu bölgede şu renk aralığı yüzde 30’u geçerse fire var” dersiniz. Hata tipi belirgin ve ortam sabitse hızlı, açıklanabilir ve az veriyle çalışır.
İkincisi derin öğrenme tabanlı nesne tespiti (object detection): model, etiketlenmiş yüzlerce örnek görüntüden hatanın neye benzediğini öğrenir ve görüntüde hatanın yerini kutu içine alır. Bu alanda en yaygın model ailelerinden biri YOLO’dur (You Only Look Once, tek bakışta tespit); görüntüyü tek seferde işlediği için hat hızında çalışabilir. Hata şekli değişkense, kuralla tarif edilemiyorsa bu yol gerekir.
Biz sahada önce basit olandan başlıyoruz. Kuralla çözülebilen bir problemi derin öğrenmeyle çözmek; daha fazla veri, daha fazla etiketleme ve daha zor bakım demek.
Mevcut güvenlik kamerasıyla fire takibi: bizim uygulamamız
Kâğıt ve ambalaj üretiminde fire, vardiya sonunda ya da sayımda fark ediliyordu ve miktar beyana dayanıyordu. Biz yeni kamera ve sensör almak yerine sahada zaten çalışan güvenlik kameralarının görüntüsünü kullandık.
Her makine için görüntü üzerinde bir ilgi bölgesi (ROI, Region of Interest) çiziyoruz; sistem yalnızca bu bölgeye bakıyor, böylece operatörün hareketi ya da arkadaki trafik tespiti bozmuyor. Bölgede malzemeye ait renk ve doku oranı eşiği geçtiğinde fire oluşmuş sayılıyor, o an fotoğraf çekilip kayda giriyor. Aynı olay için arka arkaya yüzlerce kayıt oluşmasın diye bekleme süresi var.
Kayıtlar işlem başlangıcından itibaren iki saatlik pencerelerle raporlanıyor. 8 saatlik bir vardiya 8 / 2 = 4 pencere demek; hangi makinede, hangi iki saatte kaç fire olayı olduğu fotoğraflarıyla görülüyor. Fire tartışması beyandan değil, görüntüden yürüyor.
Yapay zekâ ile kalite kontrol nasıl kurulur? Adım adım
Sahada izlediğimiz sıra şu:
- 1. Hatayı tarif ediyoruz. Hangi hata, hangi istasyonda, ne sıklıkla çıkıyor? Pareto analiziyle en çok kayba yol açan hata tipinden başlıyoruz.
- 2. Görüntüyü sabitliyoruz. Kamera açısı, mesafe ve ışık sabit olmadan hiçbir model güvenilir çalışmaz. Mevcut kamera yeterliyse onu kullanıyoruz.
- 3. Yöntemi seçiyoruz. Hata kuralla tarif edilebiliyorsa klasik görüntü işleme, değilse etiketli örneklerle eğitilen nesne tespiti.
- 4. Pilotta insanla karşılaştırıyoruz. Aynı parçalara hem sistem hem kalite sorumlusu bakıyor; sistemin kaçırdığı ve boşuna alarm verdiği durumları sayıyoruz.
- 5. Sonucu sürece bağlıyoruz. Hata tespit edilince hat duruyor mu, parça ayrılıyor mu, kime bildirim gidiyor; bu tanımlanmalı. Hatanın tekrarını önlemek için poka-yoke ve kök neden çalışması ayrıca gerekiyor.
Örnek: numuneden yüzde yüz kontrole
Örnek verelim: Vardiyada 1.200 parça üreten bir hatta kalite sorumlusu her 50 parçadan birini kontrol ediyor. 1.200 / 50 = 24 parça kontrol ediliyor, 1.176 parça hiç görülmeden geçiyor.
Kamera her parçaya baktığında 1.200 parçanın tamamı kontrol edilmiş oluyor. Sistem bunlardan örneğin 15 parçayı şüpheli olarak ayırırsa, kalite sorumlusu arkadaşımız 24 rastgele parça yerine bu 15 parçaya bakıyor. Daha az bakıp daha çok hata yakalamak burada mümkün oluyor.
Sadece kamera değil
Görüntü işleme hatayı yakalar ama hatayı üretmeyi durdurmaz. Asıl kazanç, kayıtlardan hatanın hangi makinede, hangi saatte, hangi işte arttığını görüp kaynağına inmekte. Kalite sorumlusu arkadaşlarımızın gözünü yoran tarama işini makineye bırakıp onların tecrübesini sorunu çözmeye ayırmak, emeğe de verilen değerdir.
Siz de kalite kontrolde ya da fire takibinde görüntü işlemeden yararlanmak isterseniz bizimle iletişime geçebilirsiniz. Sormak istediğiniz her konuda gerekli desteği vermeye hazırız.
Sık sorulan sorular
Yapay zekâ destekli kalite kontrol nedir?
Kamera görüntüsünün yazılımla incelenip hatalı parçanın, firenin ya da eksik montajın her parçada ve insan gözünden bağımsız yakalanmasıdır. Literatürde makine görüşü (machine vision) olarak geçer.
Görüntü işleme nerelerde kullanılır?
Üretimde yüzey hatası, eksik montaj, ölçü kontrolü, barkod ve etiket okuma, fire takibi, ürün sayımı ve iş güvenliği kontrolünde kullanılır.
Kalite kontrol için yeni kamera almak gerekir mi?
Her zaman değil. Hata gözle rahat görülüyorsa sahadaki güvenlik kameraları yeterli olabilir; biz fire takibini mevcut kameralarla kurduk. Küçük yüzey hataları ya da hassas ölçü için daha yüksek çözünürlüklü endüstriyel kamera ve sabit ışık gerekebilir.
YOLO nedir, kalite kontrolde nasıl kullanılır?
YOLO (You Only Look Once), görüntüdeki nesneleri tek seferde tespit edip yerini kutuyla gösteren derin öğrenme model ailesidir. Kalite kontrolde etiketlenmiş hata örnekleriyle eğitilir ve hat üzerindeki hatalı bölgeyi işaretler.
Kumaş kalite kontrolünde yapay zekâ kullanılabilir mi?
Evet. Dokuma hatası, leke ve renk farkı gibi hatalar kamera ile taranabilir. Kumaş deseni değişken olduğundan genellikle etiketli örneklerle eğitilen derin öğrenme modelleri ve sabit, homojen bir aydınlatma gerekir.
İlgili hizmet: RPA, otomasyon ve yapay zekâ