Data Department, üretim ve lojistikte kalite kontrol, sayım, iş güvenliği ve süreç izleme için görüntü işleme modelleri ve yazılımı geliştirir. Sistemler, hâlihazırda kullandığınız veya kurmayı planladığınız kameralarda çalışır. Model geliştirme, veri etiketleme planı, MES (üretim yürütme sistemi) entegrasyonu ve kabul testleri bizdedir; kamera, aydınlatma ve montaj donanım tedarikçinizde kalır.
Görüntü işleme ile kalite kontrol hangi sorunları çözer?
Görüntü işleme projesi kameradan değil, hattaki bir karardan başlamalıdır. Üzerinde çalıştığımız kararlar:
- Parça bir sonraki istasyona veya müşteriye gitmeden önce geçer mi, reddedilir mi?
- Hata hangi tipte, hangi yeniden işleme adımına gitmeli?
- Elle sayım yapılmadan, bir noktadan kaç ürün, koli veya palet geçtiği belirlenebilir mi?
- Etiket, parti kodu veya son kullanma tarihi var mı, okunuyor mu? Bunun için OCR (optik karakter tanıma) kullanılır.
- Yasak bölgede kişi var mı, KKD (kişisel koruyucu donanım) eksik mi?
- Dolum seviyesi, konum veya montaj adımı doğru mu?
Gözle muayene yorgunluktan etkilenir, vardiyadan vardiyaya farklılık gösterir ve denetlenmesi zordur. Görüntü işleme sistemi her ürüne aynı kuralı uygular ve her kararın görüntü kaydını saklar.
Proje nasıl ilerler?
Keşif (2 hafta). Hattınızdan örnek görüntü veya videoları inceler, kalite ekibinizle bir hata kataloğu çıkarırız: her hata nasıl görünür, ne kadar ciddidir, ekip içinde nerede görüş ayrılığı vardır? Mevcut kamera konumu ve aydınlatmanın hataları görüp göremediğini kontrol ederiz. Göremiyorsa, donanım tedarikçinizden talep etmeniz gerekenleri belirtiriz. Devam/dur kararı ve bir etiketleme planı alırsınız.
Veri etiketleme. Her hatayı kalite uzmanlarınız tanımlar. Etiketlemeyi ekibiniz, biz veya birlikte çalıştığımız bir etiketleme ekibi yapabilir; ancak bir örneklemi mutlaka uzmanlarınız kontrol eder; çünkü model ancak etiketleri kadar tutarlı olabilir. Bu adım çoğu zaman projenin en uzun adımıdır ve bunu en baştan gerçekçi biçimde planlarız.
Pilot (6–10 hafta). Modelleri eğitir, modelin hiç görmediği görüntülerde test ederiz. Ardından sistem hatta gölge modda çalışır: karar üretir ancak nihai kararı operatör verir; ikisini karşılaştırırız.
Kabul testi. Canlıya geçmeden önce, kendi hattınızda toplanmış bir test setinde iki sayı üzerinde anlaşırız: sistemin kaçırdığı gerçek hata oranı ve hatalı diye ayırdığı sağlam parça oranı. Bu iki oran arasında ters yönlü bir ilişki vardır; doğru dengeyi bir iş kararı olarak siz belirlersiniz. Bir demoya değil, ölçülmüş sonuca onay verirsiniz.
Canlıya geçiş ve devir. Model hatta yakın bir uç cihazda (edge) veya sunucuda çalışır; PLC (programlanabilir mantık denetleyicisi), MES veya kalite veritabanınıza bağlanır. İzleme ekler; ürün, malzeme veya aydınlatma değiştiğinde modelin nasıl yeniden eğitileceğini süreç olarak tanımlarız.
Hangi işe hangi görüntü işleme yaklaşımı?
| İş | Tipik yaklaşım | Sizden beklenen |
|---|---|---|
| Sağlam mı, hatalı mı? | Görüntü sınıflandırma | Sağlam parçaların ve her hata tipinin etiketli örnekleri |
| Hata nerede? | Nesne tespiti veya segmentasyon | Hata bölgeleri işaretlenmiş görüntüler |
| Nadir veya bilinmeyen hatalar | Çoğunlukla sağlam parçalarla eğitilen anomali tespiti | Çok sayıda sağlam parça görüntüsü, test için birkaç hatalı örnek |
| Yazı ve kod okuma | OCR | Gerçek hat koşullarında etiket görüntüleri |
| Sayım ve takip | Videoda tespit ve takip | Sayım noktasından video |
Referans ve deneyim
Bu sitede henüz bir görüntü işleme proje örneği yayımlamıyoruz ve gerçeğe dayanmayan bir örnek sunmayacağız. İlk görüşmede, sizin hattınızda başarıyı nasıl ölçeceğimizi adım adım anlatabiliriz. Kabul testi sizi her durumda korur: sistem, kendi parçalarınızda üzerinde anlaşılan değerlere ulaşamazsa canlıya geçmez.
Görüntü işleme çoğu zaman başka çalışmalarla birleşir. Hata verisi üretim planlama optimizasyonuna girdi olabilir; malzeme sertifikası gibi belge ağırlıklı kalite süreçleri ise belge okuyan üretken yapay zekâ ile daha iyi çözülür. Bir fabrikada bunların nasıl bir araya geldiğini üretim sanayi sayfamızda görebilirsiniz.
Görüntü işleme ne zaman doğru araç değildir?
- Kamera hatayı göremiyorsa. Aydınlatma, açı veya çözünürlük sorunu gizliyorsa önce optiği düzeltin. Görüntüde yer almayan bir hatayı hiçbir model tespit edemez.
- Basit bir sensör yeterliyse. Ağırlık, yükseklik veya varlık kontrolü çoğu zaman yük hücresi veya lazer sensörle daha ucuzdur.
- Hacim düşükse. Az parçanın geçtiği yavaş bir hatta deneyimli bir kontrolör daha doğru tercih olabilir.
- Hata tanımında ekip anlaşamıyorsa. Kendi kontrolörleriniz aynı parçayı farklı etiketliyorsa, modelden önce tanımda uzlaşın.
- Anahtar teslim donanım arıyorsanız. Kamera tedarik etmiyor ve montaj yapmıyoruz.
Sık sorulan sorular
Kaç görüntü gerekir?
Denetimli modellerde genellikle hata tipi başına yüzlerce örnek gerekir. Nadir hatalarda anomali tespiti, ağırlıklı olarak sağlam parça görüntüleriyle çalışabilir. Keşif aşamasında sizin durumunuz için somut bir sayı verilir.
Kamera ve aydınlatma sağlıyor musunuz?
Hayır. Modelin neye ihtiyaç duyduğunu tarif eder, donanım tedarikçinizle veya mevcut kameralarınızla çalışırız.
Bulut olmadan çalışabilir mi?
Evet. Modeller hat başındaki bir uç cihazda veya fabrikanızdaki sunucularda çalışabilir; hiçbir görüntünün tesisinizden çıkması gerekmez.
Proje maliyetini neler belirler?
Hata tipi sayısı, gereken etiketleme miktarı, hat hızı ve yanıt süresi, kaç istasyon ve kameranın dahil olduğu, PLC ve MES entegrasyonunun derinliği.
Görüntülerde çalışanlar görünüyorsa ne olur?
Bu durumda KVKK (Kişisel Verilerin Korunması Kanunu) veya GDPR (Avrupa Birliği Genel Veri Koruma Tüzüğü) devreye girer. Mümkün olduğunca kişiyi tanımlamayan bir tasarım kurar, saklama sürelerini birlikte belirler ve görüntüleri tesisinizde işleriz.