Endüstriyel Görüntü İşleme Sistemleri: Bir Mühendislik Orkestrası

Yapay Görme ve Görüntü İşleme: Kalite Kontrolde Devrim Yaratan Teknoloji (Blog Yazı Dizisi Bölüm 4)

Bir orkestrayı düşünün. Yaylılar, üflemeliler, vurmalılar… Her enstrüman kendi partisini kusursuz çalar, ama müziği yaratan asıl şey bu enstrümanların uyumu ve zamanlamasıdır. Endüstriyel otomasyon dünyasında görüntü işleme sistemleri de tam olarak böyle çalışır. Kamera, aydınlatma, yazılım algoritmaları ve kontrol sistemleri; her biri kendine özgü bir rol oynar, ancak gerçek değer bu bileşenlerin senkronize entegrasyonunda ortaya çıkar.

18 yıllık mühendislik deneyimim boyunca, üretim hatlarında gördüğüm en büyük sorunlar genellikle teknolojinin kendisinden değil, bu bileşenler arasındaki uyumsuzluktan kaynaklanır. Saniyede yüzlerce ürünün aktığı bir banttan kusurlu olanları ayıklamak, sadece iyi bir kamera almakla çözülecek bir mesele değildir. Bu, tıpkı insan vücudu gibi karmaşık bir sistem mühendisliği sorunudur: Göz ne kadar keskin görse de, beyin doğru yorumlamıyorsa veya kas sistemleri harekete geçmiyorsa, sonuç başarısızlıktır.

1. Optik Sistem: Göz ve Işık – Her Şey Doğru Görüntüyle Başlar

Bir suç mahallinde delil arayan dedektifi düşünün. Feneri nasıl tuttuğu, hangi açıdan ışık verdiği, izi görüp göremeyeceğini belirler. Endüstriyel görüntü işlemede de durum bundan farklı değildir. En pahalı kamerayı alsanız bile, yanlış aydınlatma ile çekilmiş bir görüntüden anlamlı sonuç çıkaramazsınız. Aydınlatma, sistemin temel taşıdır.

Aydınlatma Teknikleri: Her Problem İçin Bir Çözüm

Üretim hatlarında karşılaştığımız her kusur türü, kendine özgü bir aydınlatma stratejisi gerektirir. Burada üç temel teknik öne çıkar:

• Difüz Aydınlatma, yumuşak ve her yöne eşit dağılan bir ışık sağlar. Bunu, bulutlu bir günde pencereden gelen ışık gibi düşünebilirsiniz. Parçanın yüzeyinde parlama veya gölge oluşturmadan, etiketlerdeki yazıları okumak veya düz yüzeylerdeki renk farklılıklarını tespit etmek için idealdir. Örneğin ilaç kutularındaki son kullanma tarihlerini okurken, kutunun parlak yüzeyinden kaynaklanan yansımaları önlemek için difüz aydınlatma kullanırız.
• Koaksiyel Aydınlatma ise ışığı kamera merceğiyle aynı eksende gönderir. Bu teknik, özellikle yansıtıcı ve parlak yüzeylerde çizik, oyuk veya yüzey kusurlarını ortaya çıkarmak için kullanılır. Metal plakaların üzerindeki lazer kazıma kalitesini kontrol ederken veya parlak plastik yüzeylerdeki mikro çizikleri tespit ederken koaksiyel aydınlatmanın gücü devreye girer. Işık, kusurlu bölgelerden farklı şekilde yansır ve bu fark, kusuru görünür kılar.
• Karanlık Alan Aydınlatma ise ışığı parçanın yan tarafından, düşük bir açıyla göndererek çalışır. Bu yöntem, yüzeydeki çıkıntı, yabancı madde veya kontür hatalarını belirginleştirmek için kullanılır. Örneğin cam yüzeydeki toz taneciklerini veya elektronik kart üzerindeki kaynak hatalarını tespit ederken, bu teknik sayesinde normalden farklı olan her şey parlayarak kendini belli eder. Işık düzgün yüzeyden geçer giderken, anomaliler ışığı dağıtarak kameraya ulaştırır.

Kamera ve Lens: Zamanlamanın Krallığı

Aydınlatma sorununu çözdükten sonra sıra kamera ve lens seçimine gelir. Burada kritik olan, donanımın üretim hattının hızıyla tam senkronize çalışmasıdır. Saniyede beş metrelik hızla akan bir bant üzerindeki bir milimetrelik kusuru yakalamak için, kameranızın çözünürlüğü, kare hızı ve lens açısı milimetre seviyesinde hesaplanmalıdır.

Kamera sensörünün büyüklüğü, lensin odak mesafesi ve açısı, ışığa duyarlılığı (ISO değeri) gibi parametreler, sistemin görüş alanını ve detay seviyesini belirler. Üstelik, hareket halindeki bir nesnenin net fotoğrafını çekebilmek için ışığın patlama süresi (strobe) ve kameranın tetiklenme zamanlaması, milisaniye hassasiyetinde ayarlanmalıdır. Aksi halde elde edeceğiniz görüntü, bulanık ve kullanılamaz olur.

2. İşleme Sistemi: Beyin ve Algoritma – Ham Veriyi Anlama Dönüştürmek

Kamera bir görüntü yakaladığında, elimizde sadece bir dizi piksel değeri vardır. Bu piksel yığınını anlamlı bilgiye çeviren şey, yazılım algoritmaları ve işleme adımlarıdır. Bu aşama, insan beyninin görsel korteksinde gerçekleşen sürece benzer: Ham veriden desenleri ayırt etmek, gürültüyü bastırmak ve sonuçta bir karar vermek.

Görüntü İşleme Zinciri: Adım Adım Dönüşüm

Her görüntü işleme sistemi, belirli bir sırayla ilerleyen bir işlem zinciri (pipeline) içerir. Bu zincirin her halkası, bir sonraki adımın işini kolaylaştırır ve doğruluğu artırır.

• Ön İşleme aşaması, görüntüyü analize hazırlamak için yapılan ilk müdahalelerdir. Kameranın sensöründen kaynaklanan elektronik gürültü, toz, titreşim gibi faktörler görüntüde rastgele piksel hatalarına yol açar. Bu aşamada en sık kullandığımız yöntemlerden biri Medyan Filtre‘dir. Bir fotoğrafta yanlışlıkla çıkan lekeyi silmek gibi düşünebilirsiniz: Her pikselin komşularıyla karşılaştırılarak, ortadaki değere en yakın olana getirilmesi sağlanır. Böylece ani piksel sıçramaları yumuşatılır.
• Diğer bir önemli teknik ise Keskinleştirme Filtreleri‘dir. Hafif bulanık çekilmiş bir görüntünün kontrastını artırarak, kenarları ve detayları belirginleştirir. Bunu, gözlük camınızı temizledikten sonraki netlik hissi gibi düşünebilirsiniz. Özellikle yüksek hızlı üretim hatlarında, hareket bulanıklığı hafif de olsa oluşabilir ve bu filtreler bu etkiyi telafi eder.
• Bölütleme adımı, görüntüden ilgilendiğimiz kısmı izole etmektir. Örneğin bir vidalı bağlantıyı inceliyorsak, vida başını arka plandan ayırmamız gerekir. Bu işlem genellikle eşikleme (thresholding) veya kenar bulma algoritmaları ile yapılır. Görüntü üzerinde sadece vida başı kalır, geri kalan her şey siyah veya beyaz olarak maskelenir. Bu, tıpkı bir resmin üzerinde sadece önemli kişiyi kesip çıkarmak gibidir.
• Özellik Çıkarımı, bölütlenen nesneden matematiksel tanımlamalar elde etmektir. Vidanın çapı, alan hesabı, merkezin konumu, dairesellik oranı gibi sayısal değerler çıkarılır. Artık elimizde piksel yığını değil, somut veriler vardır: “Bu vida 8.2 mm çapında ve %98 dairesel.” Bu veriler, karar verme mekanizmasına girdi sağlar.

Karar Verme: Kural mı, Yapay Zeka mı?

İşte sistemin kritik noktası: Elde edilen bu verilerle, parçanın kabul edilebilir mi yoksa reddedilmesi gerekir mi kararını nasıl vereceğiz?

• Geleneksel (Kurala Dayalı) Yöntemler, belirli eşik değerler ve mantıksal kurallarla çalışır. Örneğin: “Eğer vidanın çapı 7.8 mm ile 8.4 mm arasında değilse, ret.” Bu yaklaşım basit, hızlı ve şeffaftır. Hangi kurala göre reddedildiği açık olduğu için, üretim mühendisinin sistemi ayarlaması ve optimize etmesi kolaydır. Sabit toleranslarla çalışılan, iyi tanımlanmış kusur tiplerinin olduğu uygulamalarda son derece etkilidir.
• Derin Öğrenme (Yapay Zeka) ise makinenin, binlerce örnek görüntü üzerinden kendi kurallarını öğrenmesine dayanır. Özellikle kusur türlerinin sayısı çok fazla, görsel çeşitlilik yüksek veya kusurları matematiksel olarak tanımlamak zor olduğunda, derin öğrenme modelleri öne çıkar. Örneğin, dökümhanelerde metal yüzeylerdeki gözeneklilik, çatlak ve inklüzyon kusurları çok karmaşık ve değişken bir yapıdadır. Bu durumda model, insanın zor tanımlayacağı desenleri öğrenerek yüksek doğrulukla tespit edebilir. Ancak bu yöntemler, daha fazla hesaplama gücü ve büyük veri setleri gerektirir.

İdeal bir sistem, her iki yöntemin güçlü yanlarını birleştirir: Basit kusurlar için hızlı kurala dayalı algoritmalar, karmaşık olanlar için derin öğrenme modelleri kullanılır.

3. Çıktı Sistemi: Eylem ve Sonuç – Kararı Fiziksel Dünyaya Taşımak

Görüntü işleme sistemi ne kadar akıllı olursa olsun, eğer kararını fiziksel bir eyleme dönüştüremezse, bir anlam ifade etmez. Bu aşama, sistemin sinir sisteminden kas sistemine geçiş yaptığı yerdir.

Sistem kusurlu bir parça tespit ettiğinde, bu bilgiyi genellikle bir PLC’ye (Programlanabilir Mantık Denetleyicisi) dijital sinyal olarak gönderir. PLC, fabrikanın beyin sapı gibidir; tüm mekanik ve elektronik bileşenleri kontrol eder. Görüntü işleme sistemi, “Parça #10457 kusurlu, pozisyon: Bant üzerinde 2.3 metre” gibi bir mesaj gönderir. PLC bu mesajı aldığında, bantın hızını, parçanın konumunu hesaplar ve tam zamanında pnömatik kolu tetikleyerek kusurlu parçayı ayırır.

Bu senkronizasyon, milisaniye hassasiyetinde olmalıdır. Bantın hızı, parçaların aralığı, mekanik sistemin tepki süresi; hepsi dikkatlice hesaplanmış ve kalibre edilmiş olmalıdır. Aksi halde sistem doğru karar verse bile, yanlış parçayı reddedebilir veya kusurlu olanı kaçırabilirsiniz.

Veri Toplama ve İyileştirme: Sistemin Hafızası

Her işlemin bir veri tabanına kaydedilmesi, üretim süreçlerinin sürekli iyileştirilmesi için kritik öneme sahiptir. Her muayene edilen parçanın görüntüsü, tespit edilen kusurlar, ret oranları, zaman damgaları… Tüm bu veriler bir araya geldiğinde, üretim hattındaki eğilimler ve sorunlar görünür hale gelir.

Örneğin, belirli bir vardiyada ret oranının arttığını fark ederseniz, bu bir kalıp yıpranmasının, hammadde kalite düşüşünün veya aydınlatma kaynağının zayıflamasının işareti olabilir. Veriye dayalı bu analiz, reaktif bakımdan proaktif bakıma geçişi sağlar. Sorun, üretimi durdurmadan önce fark edilir ve önlem alınır.

Sonuç: Kusursuz Entegrasyonun Gücü

Endüstriyel görüntü işleme sistemleri, tek başına kamera, aydınlatma veya yazılım projesi değildir. Bu sistemler, optik, mekanik, elektronik ve yazılım mühendisliğinin bir araya gelerek oluşturduğu karmaşık bir orkestradır. Bir notanın yanlış çalınması, tüm senfoninin bozulmasına yol açabilir.

Başarılı bir projenin sırrı, her bileşenin teknik özelliklerinde değil, bu bileşenlerin birbirleriyle uyumlu çalışmasında yatar. Doğru aydınlatma olmadan en gelişmiş algoritma işe yaramaz. Hızlı ve doğru algoritmalar olsa bile, PLC entegrasyonu sağlam değilse üretim hattı duracaktır.

AMR TEKNOLOJİ olarak, sadece tekil ürünler değil, baştan sona entegre edilmiş bütünsel çözümler sunuyoruz. Müşterilerimizin üretim süreçlerini analiz ediyor, en uygun aydınlatma ve kamera seçiminden, algoritma geliştirme ve PLC entegrasyonuna kadar tüm aşamaları kapsayan turnkey projeler hayata geçiriyoruz. Çünkü biliyoruz ki, ancak tüm enstrümanlar aynı notada çaldığında, mükemmel bir senfoni ortaya çıkar.

Üretim hatlarınızda kalite kontrol süreçlerini otomatikleştirmek ve verimliliği artırmak için görüntü işleme sistemlerini entegre etmeyi düşünüyorsanız, bu kompleks yapıyı bir bütün olarak ele almayı unutmayın. Her proje, kendine özgü gereksinimleri ve zorlukları olan bir mühendislik yolculuğudur. Ve bu yolculukta, deneyim ve sistem bakış açısı, en değerli rehberlerinizdir.

Biz AMR TEKNOLOJİ olarak size bu yolculukta ışık tutmaya hazırız. Fikir almak, konuyu tartışmak için bizimle iletişim kurmaktan çekinmeyin.

Sevgiyle kalın.