Görsel Muayene Sistemi Nasıl Kurulur: Yapay Zeka ile Kusur Tespiti

Sorunu tanımlamak: neyi, hangi koşulda kusur sayacaksınız?

Görsel muayene projesinin başarısı model seçiminden önce kusurun tanımına bağlıdır. Çizik, çatlak, boşluk, renk sapması, eksik parça ya da yanlış montaj gibi kusur türlerinin her biri için kabul sınırını yazılı hâle getirin. Kalite ekibi, üretim ve proje ekibi aynı kusur örneğine aynı kararı vermiyorsa, model de tutarlı öğrenemez.

Bu aşamada ayrıca muayene noktasını belirleyin: ürünün hangi yüzeyi, hangi istasyonda, hat hızı ne kadar? Ürün sabit mi duruyor yoksa bantta hareket mi ediyor? Bu cevaplar kamera, lens ve aydınlatma seçimini belirler. Kusur ürün bütününde mi sınırlı bir bölgede mi? Bu soru, görüntü sınıflandırması mı yoksa kusurun yerini işaretleyen bir nesne algılama ya da bölütleme modeli mi gerektiğini belirler.

Başarı ölçütünü de baştan koyun. Gözden kaçan kusurun (yanlış negatif) maliyeti ile sağlam ürünü kusurlu sanmanın (yanlış pozitif) maliyeti aynı değildir; modelin eşiği bu dengeye göre ayarlanır.

Görüntü edinimi: kamera, lens ve aydınlatma

Yapay zeka kötü görüntüyü düzeltemez. Pratikte görsel muayene projelerinin zayıf halkası çoğu zaman model değil görüntüdür.

Aydınlatma, kusurun görünür olmasını sağlayan en önemli unsurdur. Çizik, çukur ve yüzey bozuklukları yan ışıkta, parlak yüzeylerdeki lekeler dağınık ışıkta, şeffaf malzemelerdeki kusurlar arkadan aydınlatmada daha iyi ortaya çıkar. Tutarlı aydınlatma, bantta her ürünün aynı koşulda görüntülenmesini sağlar; çevre ışığının girişi kontrol altında olmalıdır.

Kamera ve lens seçiminde çözünürlük, görüş alanı ve hat hızı birlikte düşünülür: görüntüde kusurun yeterli ayrıntıyla görünmesi gerekir. Hareketli üründe deklanşör süresi bulanıklığı önlemeli, tetikleme ürünle senkron olmalıdır.

Bu konuyu daha çok donanım ve kurulum yönüyle ele alan sayfa için makine görüşü sistemi kurulumuna bakılabilir; burada odak, görüntülerden öğrenen yapay zeka katmanıdır.

Veri toplama ve etiketleme

Model, gördüğü örnekten öğrenir. Üretim hattında kusurlu ürün nadir olduğu için en büyük zorluk, yeterince çeşitli kusurlu örnek toplamaktır.

• Hattan sürekli sağlam ürün görüntüsü toplamak kolaydır; kusurlu örnekleri ayrı bir toplama planıyla biriktirin, ret kutusundan ve kalite laboratuvarından yararlanın.
• Her kusur türünden farklı şiddet, konum ve aydınlatma koşulunda örnek toplayın.
• Etiketlemeyi kalite uzmanlarının yapması ya da en azından onaylaması gerekir. Etiketleyiciler arası tutarsızlık, modelin en sinsi sorunlarından biridir; belirsiz örnekler için ortak bir karar sözlüğü oluşturun.
• Eğitim, doğrulama ve test verisini ayırın. Aynı ürünün görüntüleri farklı kümelere dağılırsa sonuç gerçekçi olmaz; ürün ya da parti bazında ayırın.

Kusurlu örnek çok azsa farklı yollar vardır. Denetimsiz ya da yarı denetimli yaklaşımlar yalnızca sağlam ürünü öğrenip sapmaları anomali olarak işaretler. Veri artırma teknikleri ise mevcut örnekleri döndürme, parlaklık değişimi gibi dönüşümlerle çeşitlendirir; ancak gerçek kusur çeşitliliğinin yerini tutmaz.

Model eğitimi ve doğrulama

Model seçimi görevden gelir. Ürünün kusurlu mu sağlam mı olduğuna karar vermek için görüntü sınıflandırma, kusurun yerini bulmak için nesne algılama, kusurun tam alanını ölçmek için bölütleme kullanılır. Anomali tespiti ise az kusurlu örnek olduğunda alternatiftir.

Başlangıçta ön eğitimli bir model üzerinden aktarım öğrenmesiyle başlamak, sıfırdan eğitimden genellikle daha az veriyle iş görür. Eğitim sırasında yalnızca doğruluğa bakmayın. Kusur nadir olduğunda, her şeye sağlam diyen bir model yüksek doğruluk gösterebilir. Bunun yerine kusur sınıfı için duyarlılık (kusurlu olanları yakalama) ve kesinlik (kusurlu dediklerinin gerçekten kusurlu olması) ile karışıklık matrisini inceleyin.

Doğrulamada, modeli eğitimde hiç görmediği, farklı vardiya ve partilerden gelen ürünlerle test edin. Gerçek hatta çalışacağı koşulları taklit eden bir pilot, laboratuvardaki sonuçtan daha gerçekçidir. Hatalı tahminleri tek tek inceleyip nedenini (aydınlatma, yanlış etiket, yeni kusur türü) anlamak modeli en çok geliştiren adımdır.

Hatta entegrasyon ve gerçek zamanlı işletim

Eğitilmiş model, hat içinde saniyenin küçük bir bölümünde karar verebilmelidir. Bu, kenar cihazda çalıştırmayı, uygun donanım hızlandırıcıyı ve hat kontrolcüsüyle (PLC) iletişimi gerektirir. Karar çıktısı, ret mekanizmasını, uyarı ışığını ya da kayıt sistemini tetikler.

İşletimde şunlara dikkat edin: kararla birlikte görüntüyü kaydedin, böylece sonradan denetim ve yeniden eğitim mümkün olur. Modelin güven skoru belirsiz kalan ürünleri insan incelemesine yönlendirin. Hat durması gerektiğinde ne olacağını (güvenli varsayılan davranış) önceden tanımlayın. Üretim sistemleriyle (MES, kalite kayıtları) bağlantı kurarak kusur istatistiklerini kalite ekibine görünür kılın.

Örneğin bir parça üretim hattında kamera ürünü geçerken görüntü alır, model kusur olasılığını hesaplar, olasılık eşiği aşarsa ürün ayrı banda yönlendirilir ve görüntü kalite kaydına eklenir. Kalite ekibi bu kayıtlardan hangi istasyonda hangi kusurun arttığını görür.

Sürdürülebilirlik: model zamanla neden bozulur

Görsel muayene modeli bir kez kurulup bırakılan bir sistem değildir. Hammadde tedarikçisi değişir, kalıp aşınır, aydınlatma yaşlanır, yeni ürün varyantı gelir. Bu değişikliklerin her biri modelin gördüğü veri dağılımını kaydırır ve performansı sessizce düşürebilir.

Bunu yönetmek için şunları kurun: kararların düzenli örneklemeyle insan kontrolüne karşı doğrulanması, yanlış kararların toplanıp etiketlenerek yeniden eğitim verisine eklenmesi, yeniden eğitilen modelin canlıya çıkmadan önce sabit bir test setiyle karşılaştırılması ve model sürümlerinin kaydı. Ürün değişikliği olduğunda modelin yeni varyanta uygunluğunu kontrol etmek gerekir.

Yatırım değerlendirmesini de unutmayın: kaçan kusurun maliyeti, manuel muayene iş yükü ve sistem işletme maliyeti birlikte değerlendirilmelidir.

Mindset bağlamı

Yapay Zeka Destekli Görsel Muayene eğitimi, bu sayfadaki akışın uygulamalı karşılığıdır: görsel muayenede yapay zekanın temelleri, veri toplama ve görüntü hazırlama, model eğitimi ve doğrulama, hatta entegrasyon, model sürdürülebilirliği ve yatırım getirisi hesabı gibi başlıkları kapsar. Kalite, üretim mühendisliği ve otomasyon ekipleri için uygundur.

Makine Görüşü (Machine Vision) Sistemleri Kurulumu eğitimi ise kamera ve lens seçimi, aydınlatma teknikleri ve hat entegrasyonu gibi donanım ağırlıklı konuları işler; bu eğitimler birlikte düşünüldüğünde görüntü edinimi ile yapay zeka katmanı bir bütün olarak kurulabilir.