Üretim hattında görüntü işleme ile kalite kontrol, kamerayı bağlayıp bir model çalıştırmaktan ibaret değil. Başlangıç noktası; hangi parçanın, hangi özelliğinin, hangi koşulda kontrol edileceği ve sonuca göre kimin ne yapacağının tanımlanmasıdır.
Parça muayenesi, varlık kontrolü ve araç son kontrolü üzerine sistemler geliştirdim. Bu yazıda belirli bir tesisi veya müşteriyi anlatmıyorum. Bu deneyim alanından hareketle, benzer bir ihtiyacı olan işletmenin projeyi nasıl ele alabileceğini açıklıyorum. Aşağıdaki kontrol listeleri genel uygulama önerileridir; geçmiş bir projenin birebir kayıtları değildir.
“Hatalı parçayı bulalım” henüz yeterli bir proje tanımı değil
Bir kalite sorumlusu parçayı kontrol ederken neye bakıyor? Bir çatlağa mı, eksik parçaya mı, yüzey görünümüne mi, konuma mı? Bunlar aynı karar değil. Varlık kontrolü ile yüzey kusuru tespitinin veri ve değerlendirme ihtiyaçları farklı olabilir.
İlk görüşmede “kaç kamera gerekir?” sorusundan önce şu soruların cevabını aramak gerekir:
- Kabul edilebilir ve kabul edilemez örnekler nasıl ayrılıyor?
- Sınırdaki örneklere iki uzman aynı kararı veriyor mu?
- Bir kusuru kaçırmak ile sağlam parçayı reddetmek aynı etkiye mi sahip?
- Sonuç yalnızca kayıt mı oluşturacak, insan incelemesi mi isteyecek, başka bir sisteme mi aktarılacak?
- Hangi durumlar bu kontrolün kapsamı dışında?
Bu cevaplar netleşmeden model doğruluğu hedefi koymak, ölçülecek karar belirsizken ölçüm yapmaya çalışmaktır.
Önce kusuru görünür hale getirmek
Kontrol edilecek özellik elde edilen görüntüde seçilemiyorsa, yalnızca model değiştirerek sonuca ulaşmayı beklemek doğru bir başlangıç değildir. Kamera konumu, görüş alanı, aydınlatma ve parçanın sunuluş biçimi birlikte değerlendirilmelidir.
Basler'in makine görüşünde aydınlatma rehberi, farklı aydınlatma tekniklerinin farklı yüzey özelliklerini görünür kıldığını açıklıyor. Bu, belirli bir marka kullanma önerisi değil; görüntü ediniminin kontrol görevinin bir parçası olduğunu gösteren teknik bir kaynak. Aydınlatma rehberi
Bir kamerayla yüzey kontrolü yapabilmek, iç kusurları veya tüm boyutsal özellikleri de ölçebildiğimiz anlamına gelmez. Görsel kontrolün sınırlarını, gerekli diğer muayene yöntemlerinden ayrı yazmalıyız.
Veri toplamak ile veri seti hazırlamak aynı şey değil
Bir klasörde çok sayıda fotoğraf olması yeterli değil. Fotoğrafın hangi ürüne, hangi kontrol kararına ve hangi çekim koşuluna ait olduğu bilinmeli. Aynı parçanın birbirine çok benzeyen karelerini eğitim ve test tarafına dağıtmak, gerçek saha başarısını olduğundan iyi gösterebilir.
Pratik bir veri envanteri şu alanlarla başlayabilir:
| Alan | Neden gerekli? |
|---|---|
| Parça ve varyant | Bir ürünün görüntüsünü diğerinin kabul kuralıyla karıştırmamak |
| Kusur/karar etiketi | Öğrenilecek ve ölçülecek hedefi tanımlamak |
| Çekim koşulu | Görünüm değişimlerinin nedenini incelemek |
| Uzman değerlendirmesi | Referans kararın nasıl verildiğini bilmek |
| Belirsiz durum | Zor örnekleri sessizce veri setinden çıkarmamak |
Bu tablo bir proje reçetesi değil, eksikleri görünür kılan başlangıç şablonudur. Veri hazırlığının daha geniş çerçevesini veri yönetişimi yazısında ele alıyorum.
Model seçimi, karar tanımından sonra gelir
Her kontrol problemi derin öğrenme gerektirmez. Kontrollü koşullarda bir varlık kontrolü, klasik görüntü işleme veya başka bir sensörle de çözülebilir. Görünüm çeşitliliği yüksekse ve kabul ölçütü uygunsa öğrenen yöntemler değerlendirilebilir.
Seçimi “hangi model daha yeni?” sorusu değil; problem kapsamı, veri miktarı, saha koşulları, bakım ihtiyacı ve ölçülen sonuç belirlemeli. İlk çözüm daha basitse ama ihtiyacı karşılıyorsa, bu projenin eksikliği değildir.
Pilotun sonucu tek bir doğruluk yüzdesi değildir
Bir pilotta en azından şu sonuçları ayrı görmek isterim:
- Hatalı olduğu halde kabul edilen parçalar.
- Sağlam olduğu halde incelemeye veya redde yönlendirilen parçalar.
- Sonuç üretilemeyen veya belirsiz kalan örnekler.
- Görüntüden kullanılabilir sonuca kadar geçen süre.
- İnsan incelemesinin iş yükü ve karar tutarlılığı.
NIST AI RMF, yapay zekâ sistemlerinin kullanım bağlamına uygun değerlendirilmesini ve üretimde izlenmesini ele alıyor. Belge bir kalite kontrol cihazı sertifikası veya bu proje için zorunlu bir teknik reçete değildir. NIST değerlendirme çerçevesi
Ölçümün iş sonucuyla ilişkisini yapay zekâ projelerinde KPI ve başarı ölçümü yazısında ayrıca anlatıyorum.
Kalite kontrol pilotunda ilk toplantıdan çıkacak kararlar
Aşağıdaki pilot kartı genel bir hazırlık şablonudur. İşletmenin kalite ekibi doldurmalı; hiçbir alan geçmiş bir projeye ait sonuç veya evrensel kabul sınırı değildir.
| Karar | Toplantıda netleştirilecek karşılık |
|---|---|
| Kontrol kapsamı | Parça ailesi, incelenen özellik ve kapsam dışı durumlar |
| Referans | Kabul/red örneklerini kim onaylayacak; anlaşmazlığı kim çözecek? |
| Görüntü yeterliliği | Özellik görülebiliyor mu; yetersiz görüntü nasıl işaretlenecek? |
| Karşılaştırma | Hatalı kabul, hatalı red ve sonuç yokluğu ayrı nasıl ölçülecek? |
| Karar sorumlusu | Belirsiz sonuçta kim inceleyecek; mevcut kontrol nasıl korunacak? |
| Kabul ve değişiklik | Eşikler, değerlendirme dönemi ve ürün değişince yeniden kontrol |
Bu kartla ilk pilotu bir parça ailesi ve açık bir karar etrafında sınırlandırabilirsiniz. Başarı değerlerini pilot sonunda seçmek yerine, ölçüm yöntemini ve kabul sınırlarını başlangıçta yazın; üretim pilotu KPI kartını bunun için kullanabilirsiniz.
İhtiyaç tek bir parçanın muayene akışıysa krank muayene istasyonu rehberi, olağandışı görünüm veya proses davranışının incelenmesiyse pres hattı anomali tespiti rehberi farklı başlangıç sorularını gösterir. Bu senaryolar aynı kontrol kabul ölçütünü paylaşmak zorunda değildir.
Canlı sistemin çevresindeki akışı unutmamak
Bir sonuç hangi parçaya ait? Operatör onu nerede görecek? Kameradan veri gelmezse ne olacak? Yeni ürün devreye girdiğinde kontrol kapsamı yeniden değerlendirilecek mi?
Bu sorular modelden sonra düşünülecek küçük ayrıntılar değil, sistemin parçasıdır. İlk canlı kullanımda sonuçları mevcut kontrolle karşılaştırmak ve insan değerlendirmesini korumak, yaklaşımın sınırlarını görmek için kullanılabilecek yöntemlerden biridir. Bir model çıktısı tek başına üretim güvenliği veya otomatik hat durdurma yetkisi sayılmaz.
İşletmeniz için başlangıç kontrol listesi
İlk adımda tüm fabrikayı kapsayan bir hedef yerine, sınırları belli bir kontrol seçin: bir parça ailesi, açık bir kusur/varlık tanımı ve ölçülebilir bir karar. Mevcut kontrolün hata ve zaman yükünü kaydedin. Ardından görüntüyle neyi görebildiğinizi test edin, veri eksiklerini belirleyin ve pilota kabul ölçütü koyun.
Üretimde yapay zekânın daha geniş kullanım alanları için üretim ve operasyon yazısına bakabilirsiniz. İşletmenizde benzer bir kontrol ihtiyacı varsa, önce problemi ve mevcut koşulları konuşabiliriz.