Görüntü işleme yazılımı neyi kapsar
Görüntü işleme yazılımı, kameradan alınan görüntüyü bir yapay zeka modeliyle yorumlayıp sonucu bir karara ya da kayda dönüştüren sistemin tamamını kapsar. Model bu zincirin yalnız bir halkasıdır. Işık yanlışsa ya da kamera titriyorsa güçlü bir model de güvenilir sonuç vermez.
Bir projede ele aldığımız parçalar şunlardır:
- Kamera, lens ve aydınlatma seçimi ile montaj noktası.
- Görüntü toplama ve etiketleme, yani modelin öğreneceği örneklerin hazırlanması.
- Model eğitimi ve doğruluk ölçümü.
- Modelin uç cihazda ya da sunucuda çalıştırılması.
- Sonucun PLC, üretim yönetim sistemi (MES), kurumsal kaynak planlama (ERP) yazılımı ya da bir gösterge paneline aktarılması.
- Yanlış kararların toplanıp modelin düzenli yeniden eğitilmesi.
Fatura, form ve belge gibi metin içeren görüntülerden veri okumak ayrı bir iştir. O tür ihtiyaçlar belge işleme ve veri toplama sistemleri sayfasında anlatılır.
Bilgisayarlı görü hangi işlerde kullanılır
Bilgisayarlı görü, bir insanın gözle yaptığı tekrar eden kontrolü sürekli ve aynı ölçütle yapmak gereken işlerde kullanılır. Her iş farklı bir model türü ister. Aşağıdaki tablo yaygın işleri ve uygun yöntemi eşleştirir.
| İş | Yöntem | Dikkat edilecek nokta |
|---|---|---|
| Üretimde kusur tespiti | Anomali tespiti ya da segmentasyon | Kusurlu örnek azdır, model önce sağlam ürünü öğrenir |
| Ürün ya da koli sayımı | Nesne tespiti ve takip | Üst üste binen nesneler ve hat hızı |
| Perakende raf analizi | Nesne tespiti ve ürün tanıma | Ambalaj değiştikçe katalog güncellenir |
| İş güvenliği ekipmanı kontrolü | Kişi ve ekipman tespiti | Çalışan görüntüsü kişisel veridir |
| Boyut ve konum ölçümü | Klasik görüntü işleme ve kalibrasyon | Yapay zeka her zaman gerekmez |
Son satır önemlidir. Sabit ışık altında bir parçanın çapını ölçmek için OpenCV ile yazılmış klasik bir algoritma çoğu zaman yeterlidir ve daha öngörülebilir çalışır. Yapay zekayı, kuralla tarif edilemeyen değişkenlik olduğunda devreye alırız.
Yapay zeka ile kalite kontrol nasıl kurulur
Yapay zeka ile kalite kontrol, önce hattan gerçek görüntü toplanıp kusur türleri tanımlanarak, sonra modelin bu görüntülerle eğitilip hat yanında denenmesiyle kurulur. Laboratuvarda çekilen fotoğraflarla eğitilen model hattaki ışık ve hız koşullarında çoğu zaman başarısız olur.
Kurulumda izlediğimiz sıra şudur:
- Kalite ekibiyle kusur kataloğu çıkarılır, her kusurun kabul sınırı yazılır.
- Hatta kamera ve ışık kurulur, birkaç vardiyalık görüntü toplanır.
- Görüntüler CVAT gibi bir etiketleme aracında işaretlenir.
- Model eğitilir ve hiç görmediği görüntülerde ölçülür.
- Sistem bir süre yalnız öneri verir, kararı operatör verir.
- Operatörün düzelttiği kararlar yeni eğitim verisine dönüşür.
Ölçümde iki hata türünü ayrı izleriz. Kaçırılan kusur müşteriye giden hatalı üründür. Yanlış alarm ise sağlam ürünün boşa ayrılmasıdır. Hangisinin daha pahalı olduğuna kalite ekibinizle birlikte karar verir, eşiği buna göre ayarlarız. Model zaman zaman hata yapar. Kritik ürünlerde örnekleme ile insan kontrolü bu yüzden sürer.
Model uç cihazda mı, sunucuda mı çalışmalı
Model, kararın milisaniyeler içinde verilmesi gereken üretim hatlarında kameranın yanındaki uç cihazda, gecikmenin önemli olmadığı analizlerde ise sunucuda çalışır. Uç cihaz görüntüyü ağa göndermediği için hem hızlı hem de veri açısından daha güvenlidir.
| Ölçüt | Uç cihaz | Yerel sunucu ya da bulut |
|---|---|---|
| Gecikme | Çok düşük | Ağ hızına bağlı |
| Görüntünün konumu | Kamera yanında kalır | Ağ üzerinden taşınır |
| Model büyüklüğü | Küçük, optimize edilmiş | Büyük modeller mümkün |
| Uygun iş | Hat üzerinde ayıklama | Raf analizi, günlük raporlama |
Uç cihazda NVIDIA Jetson ailesi ya da Intel donanımda OpenVINO sık kullanılır. Modeli ONNX biçimine çevirerek farklı donanımlarda çalıştırırız. Düşük hacimli ve esnek işlerde GPT, Gemini ya da Claude gibi görsel anlayabilen büyük modeller hızlı bir başlangıç sağlar. Hat hızında çalışacak işte ise eğitilmiş küçük bir model hem daha ucuz hem daha hızlıdır. Birden çok kameradan gelen sonuçları anlık izlemek için gerçek zamanlı veri analizi katmanı kurulabilir.
Kamera görüntüsünde KVKK açısından nelere dikkat edilir
Kamera görüntüsünde bir kişi tanınabiliyorsa görüntü kişisel veridir ve KVKK (Kişisel Verilerin Korunması Kanunu) kapsamına girer. Üretim hattında yalnız ürünü gören bir kamera ile çalışanları gören bir iş güvenliği kamerası aynı yükümlülüğü taşımaz.
- Çalışanları gören sistemlerde aydınlatma yükümlülüğü yerine getirilir, kameranın amacı yazılı olarak duyurulur.
- Yüz tanıma gibi kişiyi tekil olarak tanımlayan işlemler biyometrik veri işlemesidir. Kanunun 6. maddesine göre biyometrik veri özel nitelikli kişisel veridir.
- İş güvenliği tespitinde kişiyi tanımak gerekmez. Yüzleri bulanıklaştırıp yalnız ekipman olup olmadığını kaydederiz.
- Görüntüler gerekenden uzun saklanmaz, saklama süresi baştan belirlenir.
Avrupa Birliği'ne ürün ya da hizmet sunan şirketler için AB Yapay Zeka Yasası, yani Tüzük (AB) 2024/1689, işyerinde duygu tanıma sistemlerini sağlık ve güvenlik amaçları dışında yasaklar. Bu yasak 2 Şubat 2025'te uygulanmaya başladı. Hukuki değerlendirmeyi hukuk danışmanınızla yapmanızı öneririz. Envanter ve risk sınıflandırması için yapay zeka uyum danışmanlığı hizmetimizden destek alabilirsiniz.
Görüntü işleme projesinin maliyeti neye bağlı
Görüntü işleme projesinin maliyeti, kamera sayısına, hat hızına, kusur türlerinin çeşitliliğine ve modelin nerede çalışacağına bağlıdır. Rakam vermiyoruz, çünkü tek kameralı bir sayım istasyonu ile on kameralı bir yüzey kontrol hattı çok farklı işlerdir. Teklifi belirleyen etkenler şunlardır:
- Kamera, lens, aydınlatma ve uç cihaz donanımı.
- Kusur türü sayısı ve etiketleme emeği.
- Hat hızı ve gereken karar süresi.
- PLC, MES ya da ERP entegrasyonunun kapsamı.
- Kullanılan kütüphanelerin lisansı. Örneğin Ultralytics YOLO, kapalı kaynak ticari kullanım için ayrı kurumsal lisans ister.
- Yeniden eğitim ve bakım desteği.
Ücretsiz ilk görüşmede hattınızdan çekilmiş birkaç kısa video ve kusurlu ürün fotoğrafı görmek isteriz. Görüşme için bizimle iletişime geçin.
Sektörlere göre kullanım alanları
- kullanım alanı 01
Yüzey kusuru
Örneğin bir beyaz eşya üreticisi, boyalı panellerdeki çizik ve kabarcıkları hat üzerinde tespit edip kusurlu paneli ayırmak için kamera sistemi kullanabilir.
- kullanım alanı 02
Koli sayımı
Bir lojistik deposu, bant üzerinden geçen kolileri sayıp sevkiyat kaydıyla karşılaştıran bir sistemle eksik yüklemeyi yakalayabilir.
- kullanım alanı 03
Raf doluluğu
Bir market zinciri, raf fotoğraflarından boşalan ürünleri ve yanlış yerleştirilmiş ambalajları tespit edip mağaza ekibine görev açabilir.
- kullanım alanı 04
Baret ve yelek kontrolü
Bir şantiye, tehlikeli bölgeye baretsiz girişleri yüzleri bulanıklaştırılmış görüntülerle kaydedip iş güvenliği uzmanına bildirebilir.
- kullanım alanı 05
Gıda ayıklama
Bir kuruyemiş tesisi, renk ve şekil kusurlu ürünleri bant üzerinde tespit edip ayıklama mekanizmasına sinyal gönderebilir.