"Kamera koy, AI kusuru bulsun" — bu kadar basit mi?
Hayır, değil. Vizyon bazlı kalite kontrol (machine vision), endüstriyel AI uygulamaları arasında en çok heyecan yaratan ama aynı zamanda en çok hayal kırıklığı üreten alandır.
Nedeni şu: Bir laboratuvarda çekilmiş 500 fotoğraf ile yüzde 98 doğruluk sağlayan model, üretim hattında yüzde 70'e düşebilir. Aradaki fark teknik değil, çevresel faktörlerden kaynaklanır.
Bu yazıda vizyon bazlı kalite kontrolün gerçeklerini, sınırlarını ve başarılı uygulama formülünü paylaşıyoruz.
Neden göz (insan) ile kamera (makine) farklıdır?
İnsan gözü inanılmaz uyum sağlar: Işık değişir, açı değişir, ürün rengi değişir — beyin uyum sağlar. Kamera ise gördüğünü piksel piksel işler. Işıkta küçük bir değişim, modelin hata yapmasına yetebilir.
| Faktör | İnsan gözü | Kamera + Model |
|---|---|---|
| Işık adaptasyonu | Anında uyum | Kalibrasyon gerekir |
| Karar hızı | 3-5 sn/parça | 50-200 ms/parça |
| Tutarlılık | Yorgunlukla düşer | 7/24 sabit |
| Küçük kusurlar | Kaçırılabiliir (0.1 mm) | Tespit edilebilir |
| Yeni kusur tipleri | Hemen fark eder | Eğitim verisi gerektirir |
Kamera, hız ve tutarlılık konusunda insandan iyidir. Ama uyum ve genelleme konusunda insan hâlâ çok ileridedir.
Başarının yüzde 70'i: Işık ve kamera
Çoğu vizyon projesi, model kalitesine odaklanır. Oysa başarının büyük kısmı modelden önce belirlenir.
Aydınlatma
Doğru aydınlatma olmadan en iyi model bile çalışamaz. Farklı kusur tipleri farklı aydınlatma gerektirir:
| Kusur tipi | Önerilen aydınlatma |
|---|---|
| Yüzey çizik | Düşük açılı (grazing) ışık |
| Renk farkı | Diffuse (yayılmış) ışık |
| Boyut sapması | Backlight (arka aydınlatma) |
| Delik/eksiklik | Koaksiyel (ring) ışık |
| Parlak yüzey kusuru | Polarize ışık |
Aydınlatmayı yanlış seçerseniz, aynı kusur bazı fotoğraflarda görünür, bazılarında görünmez. Bu da modelin tutarsız öğrenmesine neden olur.
Kamera seçimi
-
Çözünürlük: Tespit etmek istediğiniz en küçük kusur boyutu, piksel başına düşen fiziksel boyutu belirler. 0.5 mm kusur tespit etmek istiyorsanız, piksel boyutu en az 0.25 mm olmalıdır.
-
Hız (fps): Üretim hattı hızına uygun olmalıdır. 60 parça/dakika hatta 15 fps kamera yetmez.
-
Renk vs mono: Renk farkı tespit edilecekse renkli, yüzey kusuru tespit edilecekse genellikle mono kamera yeterli ve daha hızlıdır.
-
Alan tarama vs çizgi tarama: Sürekli hareket eden ürünlerde (rulo, levha) çizgi tarama kamera; tek parça ürünlerde alan tarama kamera uygundur.
Model eğitimi: Veri toplamada gerçekler
Ne kadar veri gerekir?
Genel kural: Her kusur tipi için en az 200-500 etiketli örnek. Ancak bu sayı kusur tipinin karmaşıklığına göre değişir. Basit bir çizik için 200 örnek yeterli olabilir; karmaşık, düzensiz bir leke deseni için 1000+ örnek gerekebilir.
Etiketleme kalitesi
Veri miktarından daha önemli olan, etiketleme kalitesidir. Aynı kusur tipini farklı etiketçiler farklı işaretliyorsa, model ne öğreneceğini bilemez. Standardize edilmiş etiketleme kılavuzu şarttır.
Sınıf dengesizliği
Üretimde iyi parçalar kötülere oranla çok daha fazladır (örneğin yüzde 98 iyi, yüzde 2 kusurlu). Bu dengesizlik, modelin "her şey iyi" demesine yol açabilir. Over-sampling, data augmentation ve class weighting teknikleriyle dengelenmelidir.
Kolektif360'ın Görsel Kusur Kontrol Sistemi, farklı malzeme türleri ve kusur tiplerinde eğitilmiş CNN modelleri ile üretim hattında gerçek zamanlı kalite kontrolü sağlar. Sistem, sınıf dengesizliği ve ortam değişkenliği sorunlarına karşı sağlam (robust) mimari kullanır.
False positive: Sessiz katil
Sahada en çok problem yaratan konu, yanlış alarm (false positive) oranıdır. Model iyi parçayı kusurlu olarak işaretlerse:
-
Operatör, modele güvenini kaybeder
-
İyi parçalar gereksiz yere ayrılır (hurda maliyeti)
-
Bir süre sonra operatör uyarıları kapatır
Kabul edilebilir false positive oranı sektöre göre değişir, ancak üretimde genellikle yüzde 2'nin altı hedeflenir. Bu hedefi tutturamıyorsanız, modeli değil önce aydınlatma ve kamera açısını gözden geçirin.
Kalite kontrol zinciri: Tespitten sonra ne olacak?
Kusur tespit edildikten sonra süreç bitmez. Tespit, bir kalite yönetim döngüsünün başlangıcıdır:
-
Tespit: Kamera + model kusuru yakalar
-
Sınıflandırma: Kusur tipi belirlenir (çizik, leke, boyut sapması...)
-
Raporlama: Kusur verileri toplanır, trende dönüştürülür
-
Kök neden analizi: Hangi tezgâh, hangi vardiya, hangi malzeme partisi daha sorunlu?
-
Düzeltici aksiyon: 8D, A3 veya CAPA süreçleri ile kök neden ortadan kaldırılır
Kolektif360'ın 8D / A3 Kalite Raporlama Platformu, tespit edilen kusurları otomatik raporlara dönüştürür ve düzeltici aksiyon süreçlerini yönetir. Tespit ile aksiyonu birleştirmek, gerçek kalite iyileştirmesi sağlar.
Model performansını ölçmek
| Metrik | Açıklama | Hedef |
|---|---|---|
| Accuracy | Genel doğruluk | > yüzde 95 |
| Precision | Kusurlu denen parçaların gerçekten kusurlu olma oranı | > yüzde 98 |
| Recall | Gerçek kusurlu parçaları yakalama oranı | > yüzde 95 |
| F1 Score | Precision ve Recall dengesi | > yüzde 96 |
| Inference time | Tek parça değerlendirme süresi | < 200 ms |
Sadece accuracy'ye bakmak yanıltıcıdır. Yüzde 98 iyi parça olan bir üretimde, "hep iyi de" diyen model bile yüzde 98 accuracy gösterir. Precision ve recall birlikte değerlendirilmelidir.
Kolektif360'ın Derin Öğrenme Sonuç Analizörü, eğitilen modelin performansını bu metrikleri dahil kapsamlı olarak analiz eder ve zayıf noktaları (hangi kusur tipinde performans düşük) görselleştirir.
Proje başlatma kontrol listesi
-
Tespit edilecek kusur tipleri tanımlandı mı?
-
Her kusur tipi için referans fotoğraflar toplandı mı?
-
Aydınlatma testi yapıldı mı? (farklı açı ve yoğunluklarda)
-
Kamera çözünürlüğü ve hızı hat gereksinimine uygun mu?
-
Etiketleme kılavuzu hazırlandı mı?
-
False positive hedefi belirlendi mi?
-
Tespit sonrası kalite aksiyon süreci tanımlı mı?
Bu kontrol listesindeki tüm maddeler "evet" olmadan modele yatırım yapmak erken olabilir.
Sonuç
Görüntü işleme ile kalite kontrol, doğru uygulandığında üretim hızını düşürmeden, 7/24 tutarlı kalite güvencesi sağlar. Ancak "kamera koy, model eğit" yaklaşımı başarısızlığa davetiye çıkarır.
Başarı formülü: Yüzde 40 aydınlatma + yüzde 30 veri kalitesi + yüzde 20 model mimarisi + yüzde 10 entegrasyon. Model seçimi, buz dağının görünen kısmıdır.
Kalite kontrol projenizi planlamak veya mevcut sisteminizi değerlendirmek isterseniz, ücretsiz teknik ön görüşmemize başvurabilirsiniz.
