Yapay Zeka Destekli Kalite Kontrol: Görüntü İşleme ile Üretimde Sıfır Hataya Giden Yol
13 Ağustos 20264 dk okuma
Görüntü işleme tabanlı kalite kontrol sistemleri, hatalı ürünü saniyeler içinde yakalayarak fire ve müşteri şikâyetini azaltır. Kamera seçiminden model eğitimine, hattı durdurmadan devreye alma adımlarına kadar uygulamalı bir rehber.
Yapay zeka destekli kalite kontrol, üretim hattındaki ürünlerin kamera görüntülerinin derin öğrenme modelleriyle analiz edilerek hatalı parçaların otomatik tespit edilmesidir. İnsan gözünün vardiya sonunda yorulduğu, örnekleme yöntemiyle ise ürünlerin yalnızca küçük bir bölümünün kontrol edilebildiği yerde, görüntü işleme sistemi her parçayı aynı standartla, saniyenin altında bir sürede denetler.
Manuel kontrol neden yetersiz kalıyor?
Klasik kalite kontrolde denetçi, üretimin genellikle %1–5'lik bir örneklemine bakar. Bu yaklaşımın üç yapısal sorunu vardır:
- Kaçak hata: Örneklem dışında kalan parçalar hiç kontrol edilmez; hata müşteride ortaya çıkar.
- Tutarsızlık: Aynı parça iki farklı denetçi tarafından farklı değerlendirilebilir; sabah ve gece vardiyası arasındaki fark ölçülemez.
- Geç geri bildirim: Hata kaynağı (kalıp aşınması, sıcaklık sapması) saatler sonra fark edilir, o sırada binlerce hatalı parça üretilmiştir.
Görüntü işleme sistemleri bu üç sorunu da kaynağında çözer: %100 kontrol, tekrarlanabilir karar ve anlık geri bildirim.
Sistem nasıl çalışır?
Bir yapay zeka kalite kontrol istasyonu dört katmandan oluşur:
- Görüntü alma: Endüstriyel kamera, uygun lens ve — çoğu projenin başarısını belirleyen — doğru aydınlatma. Çizik gibi yüzey hataları için açılı (karanlık alan) aydınlatma, boyut ölçümü için arkadan aydınlatma tercih edilir.
- Ön işleme: Görüntünün hizalanması, gürültü temizliği ve ilgi alanının (ROI) kırpılması.
- Model çıkarımı: Sınıflandırma (OK/NOK), nesne tespiti (hatanın yeri) veya segmentasyon (hatanın alanı ve boyutu) modelleri. Karar tipik olarak 20–150 ms sürer.
- Aksiyon: PLC'ye sinyal gönderilerek hatalı parçanın ayrıştırılması, sonucun veritabanına ve MES/ERP'ye yazılması, operatör ekranında uyarı.
Veri: projenin en kritik aşaması
Model kalitesi doğrudan veri kalitesine bağlıdır. Sahada işe yarayan yaklaşım şudur:
- Her hata tipinden en az 100–200 örnek görüntü toplayın; nadir hatalar için üretim koşullarını taklit eden numuneler hazırlayın.
- Etiketlemeyi kalite biriminden bir uzmanla birlikte yapın; sınır durumları (kabul edilebilir çizik derinliği) yazılı bir kriterle netleştirin.
- Farklı vardiya, farklı hammadde partisi ve farklı aydınlatma koşullarından görüntü ekleyin — model ancak gördüğü çeşitliliğe dayanıklıdır.
- Verinin %20'sini eğitime hiç sokmadan doğrulama için ayırın.
Başarı hangi metriklerle ölçülür?
| Metrik | Anlamı | Tipik hedef |
|---|---|---|
| Yakalama oranı (recall) | Gerçek hataların ne kadarı yakalandı | %98+ |
| Yanlış alarm (false positive) | Sağlam parçanın hatalı sayılması | %2'nin altı |
| Karar süresi | Görüntüden sinyale geçen süre | Çevrim süresinin altında |
| Kullanılabilirlik | Sistemin hat ile birlikte çalıştığı süre | %99+ |
Yanlış alarm oranı gözden kaçırılmamalıdır: sağlam parçaları sürekli eleyen bir sistem, operatörün güvenini kaybeder ve kısa sürede devre dışı bırakılır.
Yatırımın geri dönüşü
Geri dönüş hesabı üç kalemden oluşur: azalan fire, azalan yeniden işleme ve önlenen müşteri iadesi. Aylık 200.000 parça üreten, hata oranı %1,5 olan ve parça başına 4 TL fire maliyeti taşıyan bir hatta, hata oranının %0,4'e düşmesi ayda yaklaşık 88.000 TL tasarruf demektir. Buna müşteri şikâyetlerinin ve nihai denetim iş gücünün azalması eklendiğinde, tipik projeler 8–18 ay arasında kendini amorti eder.
Devreye alma yol haritası
- Fizibilite (1–2 hafta): Numune görüntülerle hatanın kamerayla ayırt edilebilirliğini kanıtlayın.
- Pilot (4–8 hafta): Tek istasyonda, hattı durdurmadan "gölge mod" çalıştırın: sistem karar verir ama parçayı elemez; kararlar denetçiyle karşılaştırılır.
- Devreye alma: Doğruluk hedefe ulaştığında ayırma mekanizması devreye alınır.
- Sürekli iyileştirme: Yanlış kararlar toplanır, model periyodik olarak yeniden eğitilir.
Sık sorulan sorular
Kaç örnek görüntü gerekir?
Hata tipi başına 100–200 iyi etiketlenmiş görüntü çoğu uygulama için başlangıç noktasıdır. Transfer öğrenme ve veri çoğaltma ile bu sayı düşebilir; hata çeşitliliği yüksekse artar.
Mevcut PLC ve hattımla uyumlu mu?
Evet. Sistem, dijital I/O, Modbus TCP, Siemens S7 veya OPC UA üzerinden mevcut otomasyona bağlanır; hat mimarisini değiştirmeye gerek kalmaz.
Kararlar bulutta mı işleniyor?
Hayır. Çıkarım, hattın yanındaki uç (edge) bilgisayarda yapılır; internet kesilse bile üretim durmaz. Yalnızca özet veriler ve raporlar merkezî sisteme aktarılır.
Ürün değiştiğinde ne oluyor?
Yeni ürün için reçete tanımlanır ve o ürüne ait görüntülerle model genişletilir. İyi kurgulanmış bir veri akışında bu işlem birkaç gün sürer.
Mongery'nin yapay zeka destekli kalite kontrol çözümü, kamera ve aydınlatma seçiminden model eğitimine ve PLC entegrasyonuna kadar tüm zinciri kapsar; üretim verileri MongFlow ERP ile birleştiğinde hata kök nedenleri iş emri, vardiya ve hammadde partisi düzeyinde izlenebilir. Kendi hattınız için fizibilite değerlendirmesi almak isterseniz bizimle iletişime geçin.