Operon Görüntü İşleme — Görsel Kusur Yakalama
Kurala dökülemeyen kusuru kamerayla yakalıyor, hat üzerinde karar veriyoruz.
Koltuk üretiminde deri yüzeydeki potluğu derin öğrenmeyle, kumaş kesim hattında koridorun ortasını 0,3 mm altı hassasiyetle bulduk. Bu sayfada iki projenin sürecini, sonuçlarını ve öğrendiklerimizi anlatıyoruz.
F1 skoru, Faz 1 sonunda
üretimden toplanan görsel
başarılı kesim, 400 kesimlik saha çalışması
kesim hassasiyeti
Rakamlar Vaka 1 (koltuk üreticisi) ve Vaka 2 (ev tekstili üreticisi) projelerine aittir. Müşteri adları gizlilik gereği paylaşılmamıştır.
Ürün Kapsamı
Görsel kusur yakalama ve kamerayla hassas ölçüm
Operon Görüntü İşleme, görsel kalite ve ölçüm için geliştirdiğimiz iki modülden oluşur. Kusur tespiti için model eğitimi ve sonuç analizi; kamera ile hassas ölçüm ve yönlendirme.
Operon QC — Görsel Kusur Yakalama
Derin öğrenme ile kusur tespiti. Deri yüzeydeki potluk her koltukta farklı yerde, farklı boyutta ve farklı renkte çıkıyor. Kurala dökülemediği için etiketli örneklerden öğrenen model kullandık.
Operon VisionCut — Kamerayla Ölçüm
Klasik görüntü işleme ile ölçüm. Kesim koridorunun yerini milimetre altında bulmak gerekiyordu. Geometri ve parlaklık profiliyle çözülebildiği için model eğitmedik.
Nerede Kullanılır?
Koltuk üretiminde görsel kontrolün olası noktaları
Hangi adımda kaç hata kaçtığını, bugün nasıl kontrol edildiğini ve kabul kriterinizi sizden dinlemek istiyoruz; öncelik sizin.
Kılıf yüzeyi
Deri ve kumaşta potluk, çizik, leke.
Dikiş
Atlama, kayık dikiş, iplik kopması.
Kılıf giydirme
Kırışık, kayma, boşluk, hizasızlık.
Görseller örnek uygulama konseptidir.
Vaka 1 · Koltuk Üreticisi · Operon QC
Deri koltuk yüzeyinde potluk hatasının görüntüden tespiti
F1 skoru, Faz 1 sonunda
üretimden toplanan görsel
pilot için baştan yazılan kabul eşiği (F1)
Müşterinin rolü
Proje ve kalite mühendislerinden kurulan ekip görselleri çekti ve etiketledi.
Bizim rolümüz
Ekip eğitimi, protokol ve etiket rehberi, etiket kalite kontrolü, model eğitimi ve sonuç analizi.
Proje nasıl ilerledi
Temmuz 2025
Açılış toplantısı
Ekip, görev dağılımı, donanım ihtiyacı ve hedef hata tipleri
Temmuz–Ağustos
Çalıştay ve plan
Proje ekibine CNN ve veri eğitimi, proje dokümanları
Ağustos–Aralık
Veri ve etiket
Üretimden çekim, etiketleme, kalite kontrol turları
Ekim–Ocak
Model eğitimi
Mimari, çözünürlük ve veri sürümü karşılaştırmaları
Faz 1 kapanışı
Sonuç
F1 %94,8; ardından Faz 2 hat içi kurulum
Projeyi üç faza böldük: Faz 1 eğitim, veri ve model; Faz 2 üretim hattına kurulum; Faz 3 sistemin mobil kullanımı. Her faz bir öncekinin sonucuna bağlı.
Projeyi müşterinin kendi ekibiyle birlikte yürüttük
Ekibe verilen eğitimler
- CNN ve derin öğrenmenin temelleri
- Veri toplama ve çekim protokolü
- Etiketleme: doğru ve yanlış örnekler
- Model eğitimi ve sonuç analizi
Bu ekip Faz 2 hat içi kurulumu kendisi yaptı.
Hazırladığımız proje dokümanları
Çekim protokolü dosya adı, mesafe, ışık ve kayıt şablonunu tanımladı: her hatalı parça için genel ve yakın çift çekim.
En çok emek verdiğimiz aşama: etiketleme
etiket · potluk 3.314, çizik 504
görsel, 4096×3072 piksel
bilinçli eklenen hatasız örnek
veri seti sürümü
Kurallarımız: kutu hatalı bölgeyi olabildiğince dar sarar; aynı görseldeki her potluk ayrı işaretlenir; hatasız görseller boş bırakılarak sete eklenir; her değişiklik yeni bir sürüm olarak kaydedilir.
Kaynak: Roboflow veri seti analizi, 30 Aralık 2025 · Eksik etiketli görsel: 0 · Görseller etiketleme mantığını gösteren örneklerdir.
Potluğu zorlaştıran: belirsiz sınır, ışığa bağlı görünüm
Değişken ürün
Farklı koltuk modelleri, deri renkleri ve dikiş desenleri aynı modelle değerlendirildi.
Belirsiz sınır
Potluğun kenarı net değil; kutunun konumu kadar varlığı da değerlendirildi.
Karar parça bazında
Hattın sorusu "bu koltuk geçer mi?"; sonuç görsel bazında da raporlandı.
Sonuca giden yolda neler oldu
Kaynak: Vaka 1 eğitim raporları, Kasım 2025. Skorlar kutu bazındadır.
Model eğitimini nasıl yürüttük
- 1
Çekim protokolü: çözünürlük, ışık, genel ve yakın çift çekim, dosya adı ve kayıt şablonu
- 2
Etiketleme: kutu veya poligon; hatasız örnekler de ayrı sınıf olarak veri setinde
- 3
Karşılaştırmalı eğitim: YOLO model varyantları, çözünürlük ve veri çoğaltma ayarları yan yana
- 4
Eşik taraması: IoU ve güven eşiği ızgarasında yakalama ile yanlış alarm dengesi
- 5
Sonuç analizi: kendi geliştirdiğimiz analiz aracıyla her denemenin raporu
Aynı veriyle farklı mimarileri yan yana eğittik
Roboflow test seti mAP değerleri, Aralık 2025–Ocak 2026 · v: veri seti sürümü
18 model
Roboflow’da eğitildi; ayrıca Colab’de yüzlerce deneme koştu.
Büyük her zaman iyi değil
X-Large, Large modelin gerisinde kaldı; belirleyici olan veri seti sürümüydü.
Lisans da bir seçim kriteri
RF-DETR Apache-2.0, YOLO11 AGPL-3.0 lisanslı; üretimde ticari kullanım koşulları farklı.
Eğitimi tek skorla değil, eğrilerle izledik
RF-DETR Medium · test seti
mAP@50
F1
Precision
Recall
YOLO eğitiminde eğitim kayıpları düşmeye devam ederken doğrulama kayıpları son bölümde yükseliyor. Bu, aşırı öğrenmenin işareti; en yüksek skora değil eğrilerin bütününe bakmamızın nedeni.
Etiketten sonuç analizine kadar kullandığımız araç zinciri
Roboflow
Etiketleme, 30 veri seti sürümü, ön işleme ve veri çoğaltma, 18 model eğitimi. Önceki ağırlıklardan başlayan eğitimleri sıfırdan eğitimle karşılaştırdık.
Google Colab · A100
YOLO11 eğitimlerinin ana ortamı. A100 GPU, L4 ve T4’e göre belirgin şekilde hızlıydı; yüzlerce deneme bu sayede kısa sürede koştu.
Kendi analiz aracımız
Eşik taraması, sonuçların otomatik paketlenmesi ve eğitim metriklerinin dil modelleriyle yorumlanması için geliştirdiğimiz uygulama.
Model hat üzerinde ise yerel donanımda çalışır: Vaka 2’de yazılım hattaki endüstriyel panel PC’de koşuyor.
Faz 2 · Hat İçi Kurulum
Hat içi sistem: tasarım bizden, kurulum müşterinin ekibinden
Sensör
Koltuğun gelişini algılar, çekimi tetikler
2 kamera
Endüstriyel kameralarla çekim
Kod okuma
Koltuğun kodu görselle eşleşir
Model
Görüntüyü değerlendirir, karar verir
Panel PC
Sonuç operatöre gösterilir; akışı PLC yönetir
Pilot kabul kriteri
F1 ≥ %75
Üretim hedefi (6–12 ay, veri arttıkça)
F1 ≥ %95 · kusur yakalama ≥ %95 · yanlış alarm ≤ %5
Faz 2 sahada çalışıyor. Kurulumu, Faz 1’de eğittiğimiz müşteri ekibi kendisi yaptı.
Vaka 2 · Ev Tekstili Üreticisi · Operon VisionCut
Kamera standart olmayan kesim koridorunun ortasını buluyor, bıçak ona göre konumlanıyor
başarılı kesim
kesimlik saha çalışması
kesim hassasiyeti
çalışma süresi
Brode perde kumaşı kesim hattı · Ekim 2026’da devreye alındı · Müşteri adı paylaşılmamıştır
Koridoru görünür kılan alttan aydınlatma oldu
Önden ışıkta parlaklık profili koridoru seçemedi (kontrast 0,004); doku enerjisi buldu (0,441).
Alttan ışıkta seyrek dokunan koridor ışığı geçiriyor; telefon LED’iyle kaba test bile bunu gösterdi.
Görüntüden bıçağa beş adım
- 1
Parlak bant: alttan ışıkta koridor tepe olarak görünür
- 2
İki kenar: profilin türevinden kenar çifti; genişlik reçete aralığında mı kontrolü
- 3
Merkez: iki kenarın tam ortası, pikselden milimetreye
- 4
X ile etiket: kamera bıçağın 50 mm önünde; her ölçüm alındığı konumla saklanır
- 5
Bıçak: o konuma gelince makine bıçağı ölçülen Y’ye götürür
Kabul denemesi: orta hat görüntüde ±12,5 mm aralığında 0,25 mm adımla kaydırıldı, 202 konumun 202’sinde merkez bulundu (iki saha karesiyle).
Sahadan
Operatör ekranında ölçüm ve kayıt
Kamera ve görüntü işleme saniyede 30 kare çalışır; desen profilinden kesim merkezi ve bıçağa sapma hesaplanır, hat boyunca her ölçüm kayıt altına alınır.
Koltuk Üretimine Karşılığı
Deneyimlerimizin koltuk üretim süreçleriyle eşleşmesi
Sağ sütun yaptığımız işi, orta sütun koltuk üretimindeki karşılığını gösterir.
Öğrendiklerimiz
İki projeden çıkardığımız notlar
- 1
Kabul kriterini başta yazdık. Vaka 1’de pilot için F1 ≥ %75, üretim için yakalama ve yanlış alarm sınırları proje başında tanımlandı.
- 2
Görüntü koşulu belirleyici oldu. Vaka 2’de alttan aydınlatma, Vaka 1’de çekim protokolü sonucu doğrudan etkiledi.
- 3
Hata tanımı ortak olmalıydı. Vaka 1’de aynı hata farklı etiketlendi; ortak tanımla etiketler yeniden düzenlendi.
- 4
Yanlış alarm ayrı izlendi. Kaçan hatalı parça ile gereksiz red iki ayrı sayı olarak raporlandı.
Çalışma Şekli
Fazlı model
Her faz kendi kapsamı ve kabul kriteriyle ayrı tanımlanır; bir sonraki faz öncekinin sonucuna göre kararlaştırılır.
Faz 1
Eğitim, veri ve model
- Açılış toplantısı ve çalıştay
- Ekip eğitimi
- Çekim protokolü ve etiket rehberi
- Model eğitimi ve sonuç analizi
- Pilot kabul kriteri
Faz 2
Hat içi kurulum
- Kamera, aydınlatma, tetik sensörü
- Ürün kodu ile görsel eşleştirme
- PLC ve operatör ekranı
- Vaka 1’de bu fazı müşterinin ekibi yaptı
Faz 3
Genişletme
- Yeni hata tipleri
- Yeni kontrol noktaları
- Vaka 1’de: araç içi mobil kullanım
Uygulama Alanları
Kamerayla neleri denetleyebiliriz?
Yüzey ve doku kusurları
Potluk, kırışıklık, leke, renk sapması, doku bozukluğu, parlaklık farkı.
Geometrik kusurlar
Çizik, çatlak, delik, ezik, çapak, deformasyon.
Montaj ve tamlık kontrolü
Parça var mı, doğru parça mı, doğru konumda ve doğru yönde mi.
Ölçüm ve sınıflandırma
Boyut, açı, alan ölçümü; kalite sınıfına ayırma; sayım.
Desen, hiza ve yön takibi
Baskı veya dokuma deseninin takibi, kaymanın ölçülmesi, hizanın denetlenmesi.
Yazı ve etiket okuma
Seri numarası, parti kodu, etiket doğrulama; okunan verinin sistemle karşılaştırılması.
Hangi sektörlerde uygulanır?
- Tekstil ve deri: Kumaş ve deri yüzey kusurları, dikiş kontrolü, desen takibi
- Otomotiv ve yan sanayi: Koltuk ve iç trim, kaplama, montaj tamlığı
- Metal ve talaşlı imalat: Yüzey kusurları, çapak, kaynak dikişi, ölçü denetimi
- Ambalaj ve baskı: Baskı hatası, etiket doğrulama, hiza ve renk tutarlılığı
- Plastik ve enjeksiyon: Eksik dolum, çekme izi, renk sapması, çapak
- Gıda: Ürün kalitesi, ambalaj bütünlüğü, tarih ve etiket okuma
SSS
Sık sorulan sorular
Kusurumuzun net bir tarifi yok, yine de görsel kusur yakalama yapılabilir mi?
Evet. Koltuk üreticisindeki potluk kusurunun da ölçülebilir bir sınırı yoktu; her koltukta farklı yerde, farklı boyutta ve farklı renkte çıkıyordu. Kurala dökülemediği için etiketli örneklerden öğrenen bir model kullandık ve ortak bir hata tanımıyla etiketleri yeniden düzenledik.
Kaç görsel gerekir?
Kusurun çeşitliliğine bağlı. Koltuk projesinde üretimden 5000’den fazla görsel toplandı; eğitim setinde 2.680 görsel ve 3.818 etiket vardı, bunların 1.178’i bilinçli eklenen hatasız örnekti.
Ne kadar sürer?
Koltuk projesi Temmuz 2025’te başladı; Faz 1 (eğitim, veri ve model) F1 %94,8 ile kapandı, ardından hat içi kurulum yapıldı. Kamerayla ölçüm projesi (Operon VisionCut) 2 haftalık çalışmayla tamamlanıp Ekim 2026’da devreye alındı. Her faz kendi kapsamı ve kabul kriteriyle ayrı tanımlanır.
Her problemde derin öğrenme mi kullanıyorsunuz?
Hayır, yönteme problem karar veriyor. Deri yüzeydeki potluk kurala dökülemediği için derin öğrenme kullandık. Kesim koridorunun yeri ise geometri ve parlaklık profiliyle çözülebildiği için klasik görüntü işlemeyle bulundu; model eğitmedik.
Sistem hatta nasıl çalışır?
Sensör parçanın gelişini algılayıp çekimi tetikler, endüstriyel kameralar görüntüyü alır, ürün kodu görselle eşleşir ve model kararı verir. Yazılım hattaki endüstriyel panel PC’de, yerel donanımda çalışır; sonuç operatöre gösterilir, akışı PLC yönetir.
Operon Görüntü İşleme
Kalite ekibinizle bir saatlik keşif görüşmesi
Bugün en çok hata kaçan noktayı, mevcut kontrol yöntemini ve kabul kriterini konuşmak; pilotun kapsamını bu görüşmeden çıkarmak istiyoruz.
İletişim
Şirketiniz İçin AI Adımını Birlikte Atalım
30 dakikalık ücretsiz ön görüşmede, üretim süreçlerinizi dinleyip hangi AI projeleriyle hızlı değer yaratabileceğimizi birlikte belirleyelim.
Birlikte çalışalım
İletişim Bilgileri
E-posta
Telefon
+90 549 694 80 83Çalışma Saatleri
Pzt-Cuma: 09:00 - 18:00
Adres
Uludağ Üniversitesi Görükle Mahallesi, Üniversite-1 Cadde No:933, Ulutek Teknopark Ofis No: B027, Nilüfer / Bursa 16059, Türkiye
Demirci, Dereçavuş Sk. No:12/1, 16159 Nilüfer / Bursa, Türkiye
Neden Bizi Seçmelisiniz?
- Üretim ve operasyon kökenli yönetim deneyimi + ileri seviye AI mimarisi
- Slayt değil; gerçek sahadan, Türkiye'deki fabrikalardan örneklerle çalışma
- Önce küçük PoC ile hızlı ROI, sonra ölçeklendirme yaklaşımı
- Tek seferlik projeden çok, sürekli iyileştirme odaklı iş modeli