Yapay Görme Nedir, Nasıl Çalışır?

Yapay Görme ve Görüntü İşleme: Kalite Kontrolde Devrim Yaratan Teknoloji (Blog Yazı Dizisi Bölüm 1)

Merhaba! Bu blog dizisinde fabrika katlarında sessiz bir devrim yaratan, verimliliği ve kaliteyi kökten değiştiren bir teknolojinin kapılarını aralamaya çalışacağım.Konumuz: Yapay Görme (Machine Vision).

Bu sadece bir “kamera” meselesi değil; bu, makinelerimize göz, zeka ve yargılama yeteneği kazandırma sanatı ve bilimidir. Endüstriyel otomasyonun ve modern kalite kontrol süreçlerinin omurgasını oluşturan bu teknoloji, insan gözünün yorulabileceği, dikkatinin dağılabileceği veya hızının yetersiz kalabileceği her alanda, milimetrik hassasiyetle ve saniyeler içinde binlerce kontrol noktasını denetleme gücü sunar.

Yapay Görmenin Temel Felsefesi: Makinelerin Dünyayı Algılaması

Basitçe ifade etmek gerekirse, Yapay Görme, bir bilgisayar sisteminin dijital görüntülerden anlamlı bilgiler edinmesi, bu bilgileri işlemesi ve sonuç olarak bir karar vermesi sürecidir. İnsan gözünün gördüğü, beynin yorumladığı döngüyü, endüstriyel hız ve tekrarlanabilirlikle taklit eder.

Peki, bu süreci bu kadar kritik kılan nedir? Endüstriyel üretimde, özellikle Otomotiv ve Beyaz Eşya gibi yüksek hacimli ve sıfır hata toleransının hedeflendiği sektörlerde, her bir parçanın kalitesi, son ürünün güvenilirliğini ve marka itibarını doğrudan etkiler. Otomatik bir montaj hattında, yanlış yerleştirilmiş bir conta, eksik bir vida veya yüzeydeki gözle zor görülen bir çatlak, ciddi maliyetlere ve güvenlik risklerine yol açabilir. İşte bu noktada Yapay Görme devreye girer.

Gözden Piksele: Yapay Görme Sisteminin Mimarisi ve İşleyişi

Yapay görme sisteminin çalışması, temel olarak beş aşamalı bir döngüden oluşur. Her aşama, sistemin nihai kararını güvenilir kılmak için kritik öneme sahiptir. Bu beş aşamayı, detaylı bir şekilde inceleyerek, her bir bileşenin neden bu kadar hayati olduğunu daha iyi anlayabiliriz.

1. Görüntü Yakalama (Acquisition)

Sistemin “gözü” olan Endüstriyel Kameralar, üretim hattındaki nesnenin fotoğrafını çeker. Ancak bu fotoğraf, basit bir cep telefonu görüntüsü gibi değildir; nesnenin kritik detaylarını, kusurlarını veya geometrisini en net şekilde ortaya çıkaracak özel aydınlatma ve lens konfigürasyonları ile yakalanır. Doğru donanım ve aydınlatma, başarının %80’idir.

• Kameralar: Endüstriyel kameralar, yüksek kare hızları (FPS), yüksek çözünürlükler ve dış etkenlere karşı dayanıklı yapısıyla öne çıkar. Genellikle CCD (Charge-Coupled Device) veya CMOS (Complementary Metal-Oxide-Semiconductor) sensör teknolojilerini kullanırlar.
  • Area Scan Kameralar: Klasik fotoğraf makineleri gibi, nesnenin tamamının görüntüsünü tek bir anda yakalar. Yüksek hız gerektiren uygulamalarda, hat durduğunda veya ürünler belirli bir konuma geldiğinde kullanılırlar.
  • Line Scan Kameralar: Nesnenin tek bir piksel sırasını (bir çizgi) yakalar. Nesne konveyör hattında hareket ederken, art arda çekilen bu çizgiler birleştirilerek nesnenin tam görüntüsü oluşturulur. Özellikle sürekli hatlarda, rulolarda veya çok geniş ürünlerde (örneğin, kağıt, kumaş, sac metal) yüzey kusuru tespiti için idealdir.
• Lensler: Mercekler, kameranın nesneyi en doğru şekilde görmesini sağlar.
  • Telesentrik Lensler: Özellikle hassas ölçüm uygulamalarında kullanılır. Bu lensler, nesnenin kameraya olan uzaklığı ne olursa olsun, boyutunun aynı kalmasını sağlayarak perspektif hatalarını ortadan kaldırır. Silindirik parçaların çap ölçümü gibi işlemlerde vazgeçilmezdir.
  • Makro Lensler: Nesneye çok yakın çekimler yapmak için tasarlanmıştır. Küçük elektronik bileşenlerin lehim noktalarının veya minik çatlakların incelenmesinde kullanılır.
• Aydınlatma: Aydınlatma, bir yapay görme sisteminin en kritik bileşenidir. Yanlış aydınlatma, en gelişmiş kameranın bile kör kalmasına neden olabilir.
  • Ring Light: Nesnenin etrafını çevreleyerek homojen bir aydınlatma sağlar, gölgeleri minimize eder.
  • Backlight (Arka Işık): Nesnenin arkasına yerleştirilir. Nesnenin siluetini oluşturarak, şeklini, boyutunu veya deliklerini ölçmek için idealdir.
  • Coaxial Light: Nesneye dik açıyla ışık yansıtarak parlak ve yansıtıcı yüzeylerdeki kusurları (çizik, oyuk) belirginleştirir.
  • Strobe (Flaş) Aydınlatma: Hızlı hareket eden nesnelerin bulanıklaşmasını engellemek için, çok kısa sürelerde yüksek yoğunlukta ışık sağlar.
• Mekanik ve Otomasyon Entegrasyonu: AMR TEKNOLOJİ olarak, bu aşamada sistemlerimizin mekanik tasarımını ve otomasyon entegrasyonunu kendi bünyemizde yapmamız, sahada karşılaşılabilecek titreşim, toz veya ısı gibi zorluklara karşı en optimal ve sağlam donanım kurulumunu yapmamızı sağlar.

2. Ön İşleme (Preprocessing)

Yakalanan ham görüntü, analize hazır hale getirilmelidir. Bu aşamada gürültü azaltma, kontrast iyileştirme, parlaklık düzeltme veya geometrik bozulmaları giderme gibi işlemler yapılır. Bu, yazılım algoritmalarının sadece önemli verilere odaklanmasını sağlar.

• Gürültü Azaltma (Noise Reduction): Sensör gürültüsü veya ortam ışığındaki dalgalanmalar nedeniyle oluşan istenmeyen pikseller temizlenir.
• Kontrast ve Parlaklık Ayarları: Görüntüdeki detayların daha belirgin hale getirilmesi için piksellerin parlaklık ve kontrast değerleri ayarlanır.
• Morfolojik İşlemler: Eşikleme (thresholding), erozyon ve genişletme gibi işlemlerle nesnenin kenarları daha net hale getirilir, küçük delikler doldurulur veya nesneler arasındaki bağlantılar ayrılır.

3. Görüntü İşleme ve Analiz (Processing & Analysis)

Burası, sistemin “beyninin” çalıştığı yerdir. Geleneksel görüntü işleme algoritmaları veya güncel Derin Öğrenme (Deep Learning) modelleri bu aşamada uygulanır. Yazılım, önceden tanımlanmış parametrelere göre (örneğin, bir deliğin çapı, bir etiketin konumu, yüzeydeki çatlak/çizik varlığı) görüntüdeki nesneyi analiz eder.

• Geleneksel Algoritmalar:
  • Kenar Tespiti (Edge Detection): Canny, Sobel gibi algoritmalar kullanılarak nesnenin sınırları bulunur.
  • Desen Eşleştirme (Pattern Matching): Önceden kaydedilmiş bir şablonun, yeni görüntüdeki yerini ve açısını tespit eder.
  • OCR (Optical Character Recognition): Barkod, seri numarası veya metin gibi karakterleri okur.
• Derin Öğrenme (Deep Learning) Modelleri: Geleneksel yöntemlerin yetersiz kaldığı durumlarda devreye girer.
  • Sınıflandırma (Classification): Bir nesnenin “kusurlu” veya “kusursuz” olup olmadığını belirler.
  • Nesne Tespiti (Object Detection): Görüntüdeki birden fazla nesneyi tanımlar ve konumlarını belirler.
  • Anormali Tespiti (Anomaly Detection): Normalden sapma gösteren, daha önce görülmemiş kusurları bile tespit edebilir. Bu, özellikle kusur çeşitliliğinin çok fazla olduğu durumlarda (örneğin, kumaş yüzeyindeki lekeler veya cam yüzeyindeki çizikler) büyük bir avantaj sağlar.

4. Karar Verme (Decision Making)

Analiz sonuçlarına dayanarak, sistem saniyenin çok küçük bir diliminde bir karar verir: “Uygun (PASS)” veya “Hatalı (FAIL)”. Bu karar, daha sonraki aşamada yapılacak eylemi belirler.

5. Eylem (Action)

Verilen karar, üretim hattında bir eyleme dönüşür.

• Ürün Ayrıştırma: Hatalı ürünler konveyör bandından ayrılır (eject).
• Sinyal Gönderme: PLC’ye (Programlanabilir Mantıksal Denetleyici) bir sinyal gönderilerek hattın durması veya hızının ayarlanması sağlanır.
• Operatör Uyarısı: Operatöre görsel ve/veya sesli bir uyarı verilir.
• Geri Besleme Döngüsü: Sistem, topladığı verileri kullanarak üretim sürecindeki bir parametreyi otomatik olarak düzeltmek için bir geri besleme döngüsü başlatabilir.

Neden Yapay Görme, Neden Şimdi bu teknolojiyle başlamalısınız?

Geleneksel kalite kontrol yöntemleri, modern üretim hızlarına ve sıfır hata hedefine ayak uyduramıyor. Yapay Görme, bu açığı kapatan, hatta yeni standartlar belirleyen teknolojidir.

• Tekrarlanabilirlik ve Nesnellik: İnsan kontrolünde yorgunluk, dikkat dağınıklığı ve kişisel yorum farkları kaçınılmazdır. Yapay Görme sistemi, kurulumu yapıldığı andan itibaren 24/7, %100 aynı standartta, nesnel kararlar verir.
• Hız ve Verim: Saniyede yüzlerce ürünü denetleme yeteneği, üretim hızını kesintiye uğratmadan yüksek hacimli hatlarda bile tam kontrol sağlar. Örneğin, yüksek hızlı bir şişeleme hattında saniyede 50’den fazla etiketi, kapak pozisyonunu ve dolum seviyesini aynı anda kontrol edebilir.
• Mikrometre Hassasiyeti: İnsan gözünün algılayamayacağı boyutlardaki (örneğin 50 mikronluk) yüzey kusurlarını veya boyut farklılıklarını tespit edebilir. Otomotiv sektöründeki hassas enjeksiyon kalıplama parçalarının geometrik uygunluğu gibi kritik kontroller için vazgeçilmezdir.

Endüstriyel Alanda Yapay Görmenin Derinlikleri: Uygulama Alanları ve Özelleştirme

Yapay görme teknolojisi, yalnızca kalite kontrolden ibaret değildir. Üretim sürecinin her aşamasında, verimliliği ve güvenilirliği artırmak için kullanılır.

• Montaj Doğrulama (Assembly Verification): Bir ürünün doğru parçalarla, doğru sırayla ve doğru konumda birleştirilip birleştirilmediğini kontrol eder. Örneğin, bir motor bloğundaki tüm civataların takılıp takılmadığı, bir otomotiv kapısındaki tüm klipslerin yerinde olup olmadığı gibi kritik kontroller bu sayede otomatikleşir.
• Robot Rehberliği (Robot Guidance): Robot kollarına, parçaların konveyör üzerindeki rastgele konumlarını bulma ve hassas bir şekilde toplama veya yerleştirme yeteneği kazandırır. Bu, “topla ve yerleştir” (pick-and-place) operasyonlarını otomatikleştirmek için hayati önem taşır.
• Boyutlandırma ve Metrik Ölçüm (Gauging): Nesnelerin boyutlarını, delik çaplarını, kenar uzunluklarını veya form toleranslarını mikrometre hassasiyetinde ölçer.
• Yüzey Kusuru Tespiti (Surface Flaw Detection): Çizikler, çatlaklar, lekeler, gözenekler veya kalıp hataları gibi yüzey kusurlarını belirler.

Yapay Görme ve Derin Öğrenme: Geleceğin Fabrikaları İçin Sinerji

Son yıllarda yapay görme alanında yaşanan en büyük devrim, Derin Öğrenme (Deep Learning) entegrasyonudur. Geleneksel algoritmalar, programlanmış kurallara göre çalışırken, Derin Öğrenme modelleri, büyük veri kümelerinden “öğrenerek” kendi kurallarını oluşturur. Bu, Yapay Görme sistemlerinin daha esnek, daha akıllı ve daha yetenekli olmasını sağlar.

• Öğrenme Yeteneği: Bir Derin Öğrenme modeli, yüzlerce, hatta binlerce “hatalı” ve “hatasız” ürün görüntüsüyle eğitilir. Bu eğitim süreci sonucunda, daha önce hiç görmediği, ancak benzer özellikler taşıyan yeni kusurları bile tespit edebilir.
• Karmaşık Kusurların Tespiti: Geleneksel yöntemlerle algılanması zor olan, değişken yüzey dokularına sahip kusurlar (örneğin, bir dokuma kumaştaki hafif yıpranma veya bir gıda ambalajındaki kırışıklık) Derin Öğrenme ile çok daha etkili bir şekilde tespit edilebilir.
• Azaltılmış Geliştirme Süresi: Derin Öğrenme tabanlı sistemlerde, her bir kusur için ayrı bir kural yazmak yerine, yalnızca doğru veri setini sağlamak yeterli olur. Bu, sistem geliştirme ve devreye alma sürelerini önemli ölçüde kısaltır.

Yatırımın Geri Dönüşü (ROI) ve Uygulama Zorlukları

Yapay görme sistemlerine yapılan yatırım, yüksek ilk maliyetlere sahip olabilir, ancak uzun vadede sağladığı faydalar bu maliyeti fazlasıyla karşılar.

• Maliyet Analizi:
  • Azaltılan Hurda ve Geri Çağırma Maliyetleri: Hatalı ürünlerin tespiti, son kullanıcıya ulaşmadan önce yapıldığı için, ürün geri çağırmalarının yol açtığı marka itibarı kaybı ve finansal zararlar önlenir.
  • Artan Üretim Hızı: Kalite kontrolün otomatikleşmesi, üretim hattının duraksamasını engeller.
  • İnsan Kaynağının Verimli Kullanımı: Yorgunluk gerektiren tekrarlı işler otomasyona devredilirken, kalifiye insan kaynağı daha karmaşık ve katma değerli işlere yönlendirilebilir.
• Uygulama Zorlukları:
  • Aydınlatma ve Ortam Koşulları: Endüstriyel ortamdaki toz, nem, titreşim ve değişken aydınlatma koşulları sistemin performansını etkileyebilir.
  • Veri Toplama: Özellikle Derin Öğrenme modelleri için, geniş ve etiketlenmiş bir veri setinin oluşturulması zaman alıcı olabilir.
  • Entegrasyon: Sistemlerin mevcut otomasyon altyapısına (PLC, robotlar) entegrasyonu, uzmanlık gerektiren bir süreçtir.

Geleceğin Yapay Görme Teknolojileri ve AMR TEKNOLOJİ’nin Vizyonu

Yapay görme teknolojisi sürekli evrim geçirmektedir. Gelecekte bizi bekleyen trendler şunlardır:

• 3D Yapay Görme: Nesnelerin derinlik bilgisini de kullanarak hacim, yükseklik ve 3D form doğrulaması yapmak.
• Hyper-Spectral Görüntüleme: Gözün göremediği dalga boylarındaki ışığı kullanarak, kimyasal bileşimi veya nem içeriğini analiz etmek. Gıda sektöründe ürün tazeliğini veya plastik geri dönüşümünde malzeme ayrıştırmayı bu teknolojiyle yapmak mümkün olacaktır.
• Edge AI (Uç Yapay Zeka): Analizlerin bulut yerine doğrudan kamera veya kenar cihazında yapılması. Bu, veri iletim gecikmelerini ortadan kaldırır ve gizliliği artırır.

Biz AMR TEKNOLOJİ’de, bu süreçlerin her adımında, kendi geliştirdiğimiz özgün yazılım algoritmaları ile sadece mevcut sorunları çözmekle kalmıyor, aynı zamanda geleceğin fabrikaları için öğrenen ve adapte olan akıllı sistemler inşa ediyoruz. Müşterilerimizin benzersiz üretim ortamlarına ve ürünlerine özel, mekanik, otomasyon ve yazılımı birleştiren çözümler sunarak, onların sadece bir “kontrol” sistemi değil, aynı zamanda bir “rekabet avantajı” elde etmelerini sağlıyoruz.

Siz de üretiminizdeki görünmez hatalara son vermek, kaliteyi bir maliyet unsuru olmaktan çıkarıp bir değer yaratıcısına dönüştürmek istiyorsanız, Yapay Görme dünyasına adım atma zamanınız gelmiştir.

Sevgiyle kalın.