Yapay zekâ ile görsel muayene nedir? 2026 tanımı

Yapay zekâ ile görsel muayene, bir üretim hattında hata algılamayı ve kalite kontrolü otomatikleştirmek için yapay zekâ ve makine öğrenmesi algoritmalarının kullanılmasıdır. Bir kamera görüntüyü yakalar, yapay zekâ destekli bir model gördüğünü gerçek zamanlı sınıflandırır ve hat parçayı geçirir, reddeder ya da incelemeye yönlendirir. Kural tabanlı makine görüşünden kopuş şudur: model elle kodlanmış kurallardan değil etiketlenmiş veri kümelerinden öğrenir, böylece gerçek fabrikaların ürettiği çeşitliliği kaldırır; kozmetik kusurlar, ince montaj hataları, yüzey anomalileri ve sabit bir eşiğin kaçıracağı ambalaj hataları gibi.

Kategori bilgisayarlı görünün içinde durur ve bazen otomatik görsel muayene, yapay zekâ tabanlı görsel muayene, yapay zekâ güdümlü kalite muayenesi ya da akıllı muayene olarak anılır. Son birkaç yılda değişen şey şu: önceden eğitilmiş yapay zekâ modelleri, akıllı telefon kameraları ve ucuz işlem gücü artık bu yapay zekâ sistemlerini yalnızca dev tesisler için değil küçük ve orta ölçekli üreticiler için de gerçekçi kılıyor.

Bu rehber teknolojinin ne olduğunu, pratikte nasıl çalıştığını, geleneksel makine görüşünü ve manuel muayeneyi nerede geçtiğini ve hattınızın hazır olup olmadığını nasıl anlayacağınızı açıklıyor. Tedarikçileri değerlendirmeden ya da bir pilot çalıştırmadan önce bu muayene sistemlerinin net bir tanımını isteyen kalite mühendisleri ve tesis yöneticileri için yazıldı.

Yapay zekâ ile görsel muayene kalite kontrolü nasıl iyileştirir?

Kalite kontrol ekipleri onlarca yıldır üretim hatlarında kamera kullanıyor, ama yakın zamana kadar muayene süreci ya bir lambanın altında parçalara gözlerini kısarak bakan insanlardan ya da piksel desenlerini sabit eşiklerle eşleyen kural tabanlı görü sistemlerinden ibaretti. Yapay zekâ denklemi değiştiriyor. Yapay zekâ destekli bir muayene sistemi, aynı eğitilmiş algoritmaları her parçada, gün boyu, modelin ilk gün gösterdiği hassasiyetle çalıştırır. Manuel muayene 8 saatlik bir vardiyada yaklaşık %70-90 yakalama oranı verir ve doğruluk yedinci saatte keskin biçimde düşer; bir yapay zekâ muayene sistemi seviyesini korur. Kalite kontrol ekiplerinin yapay zekâ destekli görsel muayeneye geçmesinin pratik nedeni budur: uzun vardiyalar, birden çok üretim hattı ve karışık ürün seansları boyunca tutarlı dikkatin ölçeklenebilmesi, yorgunluk kaynaklı duruş olmadan.

İkinci katkı veri. Her muayene; görüntü, hüküm ve güven değeriyle birlikte kaydedilmiş bir muayene sonucu üretir. Aylar içinde bu muayene verisi, eğilimler için işleyebileceğiniz bir kalite veri kümesine dönüşür: hangi hata tipleri artıyor, hangi hat hızları kozmetik kusurlarla ilişkileniyor, hangi tedarikçiler hangi arıza modlarında kümeleniyor. Yapay zekâ muayenesini benimseyen kalite ekipleri bunu yalnızca bir hata filtresi olarak değil, verimi ve ürün kalitesini iyileştirecek bir proses geliştirme aracı olarak ele alır.

Yapay zekâ ile görsel muayene pratikte nasıl çalışır?

Sahada sistem; bir kamera, eğitilmiş bir model ve hattın otomasyonunun geri kalanı arasında sıkı bir döngü olarak çalışır. Her parça sabit bir istasyondan geçerken kamera bir kare yakalar. Model görüntüyü alır, çıkarımı çalıştırır ve milisaniyeler içinde bir hüküm döner: geçti, kaldı ya da emin değil. Geçtiyse parça yoluna devam eder. Kaldıysa parça bir ret kutusuna ayrılır ya da bir operatöre işaretlenir. Emin değilse çoğu ekip parçayı bir insana yönlendirir ve o kararı bir sonraki eğitim verisi turuna geri besler. Otomasyon bu döngüyü hat hızına yetişecek kadar hızlandırır.

Eğitim tarafı paralel ilerler. Bir kalite mühendisi iyi ve kötü parçaların görüntülerini toplar, bunları hata tipine göre etiketler ve bu veri kümesiyle bir sinir ağına neye bakacağını öğretir. Modern eğitim araçları ağır işi aktarımlı öğrenmeyle üstlenir: sıfırdan eğitmek yerine önceden eğitilmiş bir görü omurgasından başlar ve birkaç yüz ila birkaç bin fabrika görüntüsüyle ince ayar yaparsınız. İlk görüntü toplamadan hatta çalışan bir yapay zekâ muayene sistemine kadar tüm muayene süreci haftalar meselesidir.

Gerçekte hangi donanıma ihtiyacınız var?

Donanım ayak izi çoğu insanın beklediğinden çok daha küçüktür. İyi kameralı modern bir akıllı telefon artı basit bir LED halka ışık, geniş bir küçük parça yelpazesini tam hat hızında muayene etmeye yeter. Daha büyük parçalar veya daha sert ortamlar için sabit mercekli bir endüstriyel kamera ve kontrollü aydınlatma hâlâ işe yarar, ama işlem gücü aynı telefona ya da küçük bir uç kutusuna sığar. Sunucu rafına, GPU kümesine veya özel bir ağ hattına ihtiyacınız yok; bir iPhone, çoğu hata sınıfı için gerçek zamanlı çıkarımı toplamda 1.000 € altında donanımla üstlenir. Yüksek hızlı hatlarda bile dikkatli kamera seçimi ve aydınlatma tasarımı genellikle ham işlem gücünden daha önemlidir.

Yapay zekâ ile görsel muayene ne kadar doğru?

Modern yapay zekâ muayene sistemleri, model hata sınıfı başına 200-500 etiketli örnek gördükten sonra %95-99 doğru pozitif oranına ve %1 altında yanlış pozitif oranına ulaşır. Doğruluk aydınlatmaya, görüntü tutarlılığına ve hata sınıflarının ne kadar temiz tanımlandığına bağlıdır. Çoğu ekip kesinlik ve duyarlılık hedefleri koyar, muayene sonuçlarını ayrılmış bir test kümesine karşı ölçer ve modeli ancak iki sayıyı da tutturduğunda üretime alır.

Yapay zekâ ile görsel muayene geleneksel makine görüşünden nasıl ayrılır?

Geleneksel makine görüşü, bir parçanın iyi mi kötü mü olduğuna karar vermek için elle kodlanmış kurallar ve piksel eşleştirme algoritmaları kullanır. Bir mühendis bir özelliği ölçer, bir eşik koyar ve sistem bu eşiğin dışındaki her görüntüyü işaretler. Bir delik çapını ölçmek veya bir barkod okumak gibi temiz ve tekrarlanabilir muayenelerde bu işe yarar. Çeşitlilikte ise kötü çalışır: aydınlatma değişimleri, aparat kayması, ince kozmetik hataları olan parçalar ya da arıza modunun tek bir ölçülebilir özellik olmadığı her muayene. Üretim prosesi birkaç haftada bir yeni ürün getirdiğinde de zorlanır.

Yapay zekâ ile görsel muayene bu yaklaşımı tersine çevirir. Kural yazmak yerine sisteme çok sayıda iyi ve kötü parça örneği gösterirsiniz ve model sınırı veri kümesinden kendisi öğrenir. Takas şu: etiketli eğitim verisine ihtiyacınız olur ve modelin içini görmek sabit bir kural kümesinden daha zordur. Kazanç ise şu: yapay zekâ destekli sistem çeşitliliği zarifçe kaldırır, eğitmeye devam ettiğinizde yeni hata tiplerine genelleşir ve hiçbir mühendisin temiz bir kural yazamayacağı ince çok özellikli hataları yakalar. Modern hatların çoğu ikisini birden kullanır: ölçümler için geleneksel görü sistemleri, kozmetik ve karmaşık hatalar için yapay zekâ.

Geleneksel makine görüşü yerine ne zaman yapay zekâyı seçmelisiniz?

Hatalar görsel ama ölçülebilir değilse, kısa seri ürün varyantlarınız çoksa, aydınlatmayı sabitlemek zorsa ya da ürün aileleri boyunca ölçeklenebilirlik önemliyse yapay zekâ destekli görsel muayeneyi seçin. Temiz ölçü veya barkod kontrollerinde, hız baskısı uç noktadaysa ve milisaniye altı karar gerekiyorsa ya da düzenleyici çerçeveler belirlenimci, kural izlenebilir bir muayene zinciri istiyorsa geleneksel makine görüşünde kalın. Çoğu kalite ekibi artık hibrit çalışıyor: yüzey, ezik ve montaj sınıfları için yapay zekâ, geometrik olan her şey için geleneksel görü.

Görsel muayenede hangi yapay zekâ modelleri kullanılıyor?

İşin çoğunu üç model ailesi yapıyor. Evrişimli sinir ağları (CNN) iş atı algoritmalardır: tüm görüntüleri sınıflandırır, nesneleri algılar ve hata bölgelerini piksel piksel bölütler. Daha yeni bir derin öğrenme algoritmaları ailesi olan görü dönüştürücüleri, özellikle eğitim verisi kısıtlıyken belirli muayene görevlerinde CNN'leri geçer. İyi parçaların neye benzediğini öğrenip farklı olan her şeyi işaretleyen anomali algılama modelleri ise elinizde çok az arıza örneği olduğunda boşluğu doldurur. Üretimdeki çoğu yapay zekâ sistemi tek bir hatta iki veya daha fazla algoritmayı, her göreve göre boyutlandırılmış veri kümeleriyle birleştirir.

Sınıflandırma, algılama ve bölütleme

Sınıflandırma, tüm bir görüntü hakkında evet ya da hayır sorusunu yanıtlar: bu parça iyi mi kötü mü? Nesne algılama hatanın etrafına bir kutu çizer: burada, X boyutunda, şu konumda bir çizik var. Bölütleme piksel piksel gider ve hangi piksellerin hataya ait olduğunu söyler. Çoğu üretim hattı etiketlemesi en ucuz olduğu için sınıflandırmayla başlar, sonra kök neden analizi için hataları konumlandırmak ya da otomatik bir yeniden işleme istasyonunu sürmek gerektiğinde algılama veya bölütleme ekler.

Yapay zekâ ile görsel muayene en iyi hangi hataları yakalar?

Teknoloji, insanların görebildiği ama kural tabanlı sistemlerin formüle etmekte zorlandığı hatalarda en güçlüdür. Tüketiciye bakan yüzeylerdeki kozmetik hatalar, ince montaj hataları, eksik veya yanlış yerleştirilmiş bileşenler ve dokulu malzemelerdeki yüzey anomalileri iyi uyum sağlar. Üretim kurulumlarındaki yaygın hata tipleri şunları içerir:

• Metal, plastik ve seramik parçalarda yüzey hataları: çizikler, ezikler, çatlaklar, çukurlar, pas, kirlenme.
• Tüketici ürünlerinde kozmetik hatalar: renk bozulması, parlaklık farkı, baskı hataları, etiket kayması.
• Montaj hataları: eksik vidalar, eksik bileşenler, yanlış bileşen, yanlış yönlendirme, yanlış renk.
• Ambalaj hataları: yırtık film, eksik kapaklar, yanlış basılmış parti kodları, yanlış etiket, eksik iç malzemeler.
• Gıda ve içecek hataları: yabancı cisimler, dolum seviyesi hataları, kapak yönü, son kullanma tarihi okunaklılığı.

Yapay zekâ ile görsel muayene hangi sektörlerde iyi çalışıyor?

En güçlü ROI'yi veren sektörler tek bir özelliği paylaşıyor: bugün insanların gözle denetlediği kozmetik veya montaj kalitesi riskleri olan, yüksek çeşitlilikli ya da yüksek hacimli üretim. Yaygın kullanım durumları arasında otomotiv bileşen tesisleri, elektronik üretimi, gıda ve içecek ambalajı, ilaç ambalajı, seramik ve tüketici ürünleri var.

Otomotiv ve elektronik üretimi

Otomotiv bileşen hatları; preslenmiş veya kalıplanmış parçalarda yüzey hatalarını, montaj noktalarında kaynak kalitesini, eksik bağlantı elemanlarını ve motor keçesi konumlandırmasını yakalamak için yapay zekâ kuruyor. Güvenlik açısından kritik bir parçada kaçağın maliyeti yüksek olduğu için birçok otomotiv tesisi tek bir hatta birkaç görsel muayene sistemi çalıştırıyor. Elektronik üretimi; baskılı devre kartı montajlarında eksik veya yanlış bileşenleri, lehim köprüsü anomalilerini ve son kozmetik kontrolleri yakalamak için bilgisayarlı görü kullanıyor. Özellikle PCB muayenesi yapay zekâya iyi oturuyor, çünkü bileşenler küçük, hata kataloğu geniş ve insan gözü çabuk yoruluyor. İki sektörde de teknoloji mevcut %100 muayene istasyonlarına giriyor ve uzun vardiyalarda ince hataları kaçıracak insan kontrolörlerin yerini alıyor ya da onlara destek oluyor. Bazı tesisler bunu kestirimci bakım sinyalleriyle eşleştiriyor, böylece robotlar ve yapay zekâ sistemleri ortak bir kalite tablosunu paylaşıyor.

Gıda, içecek ve ilaç

Gıda ve içecek ambalaj hatları dolum seviyelerini, kapak ve conta bütünlüğünü, etiket yerleşimini ve son kullanma tarihi okunaklılığını doğrular. İlaç ambalajı ise düzenleyici izlenebilirliğin önemli olduğu blister paketlerde, flakon muayenesinde, etiket baskı kalitesinde ve kurcalama belli edici conta kontrollerinde devreye girer. Bu kurulumlar çoğu zaman yapay zekâ modelini bir izlenebilirlik kaydıyla eşleştirir, böylece her ret aşağı akışta incelenebilir; yapay zekâ destekli muayene çözümlerinin parladığı yer de burasıdır.

Yapay zekâ ile görsel muayeneyi bir hatta nasıl kurarsınız?

Temiz bir kurulum muayene sürecini beş evreye ayırır. Birinci evre kapsamlandırma: tek bir muayene istasyonu seçin, hata sınıflarını tanımlayın, doğruluk hedeflerinde anlaşın. İkinci evre veri toplama: hata sınıfı başına birkaç yüz iyi ve kötü görüntü yakalayın ve etiketleyin. Bu veri kümelerinin kalitesi modelin performans tavanını belirler. Üçüncü evre eğitim ve doğrulama: önceden eğitilmiş bir modele ince ayar yapın ve doğruluk hedefleri tutana kadar yineleyin. Dördüncü evre entegrasyon: modeli bir kameraya bağlayın, hüküm sinyalini kurun, operatörler muayeneye devam ederken gölge modda çalıştırın. Beşinci evre yaygınlaştırma ve izleme: modeli canlı role geçirin, çıktıları üzerinde izleme kurun, yeni ürünler geliştikçe periyodik yeniden eğitim planlayın. İlk istasyonun ötesine ölçeklenmek ise ikinci ila beşinci evreleri sonraki hat için tekrarlamaya iner.

Ne kadar eğitim verisine ihtiyacım var?

Çoğu hata sınıfı için sınıf başına 200 ila 500 etiketli örnek üretim kalitesine ulaşmaya yeter. Anomali algılama kurulumları yalnızca 100-200 iyi parça görüntüsüyle başlayabilir ve sınırı keskinleştirmek için etiketli hataları sonradan ekleyebilir. 100 örnekten azıyla veri kümesini zenginleştirerek yine de sahaya çıkabilirsiniz, ama daha uzun bir ısınma bekleyin.

Yapay zekâ ile görsel muayene bir akıllı telefonda çalışabilir mi?

Evet ve birçok kullanım durumu için en uygun maliyetli seçenek budur. Modern bir iPhone; kamerayı, modeli ve hüküm mantığını buluta gitmeden cihaz üzerinde çalıştırır. Toplam donanım 1.000 € altında kalır (yenilenmiş iPhone, halka ışık, montaj aparatı, kablolar) ve hatlar arasında taşıyabileceğiniz taşınabilir bir muayene istasyonu elde edersiniz. Apple'ın Neural Engine'i modern bilgisayarlı görü modellerini hat hızında çalıştıracak kadar hızlıdır; iPhone tabanlı yapay zekâ muayenesinin çoğu KOBİ fabrikası için endüstriyel akıllı kameralara uygulanabilir bir alternatif olmasının nedeni budur.

Yapay zekâ ile görsel muayenede ROI'yi nasıl ölçersiniz?

ROI üç yerden gelir: hurda ve yeniden işleme azalması, serbest kalan kontrolör zamanı ve azalan saha iadeleri. Çoğu pilot hatta baskın tasarruf, hataları daha erken yakalamaktan gelir; bu da aşağı akıştaki yeniden işleme maliyetini önler ve bitmiş ürün hurdasını azaltır. Her iki etki de ilk çeyrek içinde ürün kalitesi metriklerinde ve kötü kalite maliyeti panolarında görünür. Basit bir ROI modeli, mevcut kötü kalite maliyetinizi beklenen azalma yüzdesiyle çarpar ve yapay zekâ sisteminin üç yıllık her şey dahil maliyetiyle karşılaştırır. Çoğu pilot ilk yılda kaçaklarda %30-60, muayene işgücünde %20-40 azalma hedefler; akıllı telefon tabanlı kurulumlarda geri ödeme 6-12 ay içinde gelir.

Hazır olduğunuzu nasıl anlarsınız?

Şunlar doğruysa bir hat hazırdır:

• Bir kalite istasyonunda kural olarak formüle edilmesi zor görsel hatalar var ve mevcut hurda ya da yeniden işleme maliyeti kayda değer.
• Operatörler üretim proseslerini durdurmadan birkaç yüz iyi ve kötü parça görüntüsü yakalayabiliyor.
• Hata sınıfları, iki kontrolörün her vakada aynı fikirde olacağı kadar net tanımlı.
• Aydınlatma ve parça sunumu, kameranın her döngüde kabaca aynı şeyi görmesini sağlayacak kadar tutarlı hâle getirilebiliyor.
• Kalite kontrol sonuçlarının bir sahibi var ve bu kişi modeli gölge moddan canlı muayeneye geçirebiliyor.

Üçü veya daha fazlası doğruysa bir pilot gerçekçidir. Sınırlayıcı unsur nadiren teknolojidir; veri kalitesi ve net sahiplik sınırlayıcıdır.

Sık sorulan sorular

Yapay zekâ manuel muayeneyle nasıl karşılaştırılır?

Manuel muayene, bir vardiyanın ilk saatlerinde yaklaşık %70-90 yakalama oranı verir ve yorgunluk çöktükçe düşer. Yapay zekâ destekli bir muayene sistemi kesinliğini vardiya boyunca korur, her vardiyada aynı algoritmaları çalıştırır ve her parça için kaydedilmiş bir muayene sonucu üretir. Yapay zekâyı benimseyen çoğu ekip insan kontrolörleri belirsiz parçalara ve kök neden analizine kaydırır; onların yerini almak yerine onları güçlendirir.

Yapay zekâ ile görsel muayene düzenlemeye tabi mi?

Teknolojinin kendisi özel olarak düzenlenmiyor, ama yerini aldığı muayene düzenlemeye tabi olabilir. İlaçta, tıbbi cihazlarda ve havacılıkta izlenebilirlik ve doğrulama kuralları modelin verdiği her kalite kararı için geçerlidir; bu yüzden kurulumlar resmi doğrulama, değişiklik kontrolü ve denetim izi gerektirir.

Üretimde yanlış pozitiflerden nasıl kaçınırım?

Model, temiz yansımalar veya döküm parçalardaki normal tane yapısı gibi sınır vakalardan 100-200 örnek gördükten sonra yanlış pozitifler hızla düşer. İlk aydan sonra yanlış pozitif oranları tipik olarak %1 altına oturur.

Model yeni hata tiplerini öğrenebilir mi?

Evet. Yeni bir hata sınıfı çıktığında birkaç düzine örnek toplar, modeli yeniden eğitir ve tekrar sahaya alırsınız. Modern yapay zekâ muayene platformlarının çoğu bu güncelleme döngüsünü otomatikleştirir ve standart kalite iş akışına gömer. Bu, yapay zekânın kural tabanlı görüye kıyasla en net faydalarından biridir.

Enao Vision nereye oturuyor

Enao Vision, yapay zekâ ile görsel muayeneyi küçük bir operasyon ekibinin veri bilimci getirmeden tek bir üretim hattına kurabileceği biçimde paketliyor. Bir iPhone hem kamera hem çıkarım motoru olarak çalışıyor. Ekip görüntüleri cihaz üzerinde topluyor, etiketliyor, modeli eğitiyor ve aynı telefona geri yüklüyor. Donanım ayak izi 1.000 € altında kalıyor (yenilenmiş iPhone, halka ışık, kablolar, montaj aparatı) ve model yeni bir hata sınıfı çıktığında her an yeniden eğitilebiliyor.

Takas yetenekte değil konumlanmada. Enao; endüstriyel kameranın toplam sahip olma maliyeti kendi hacimlerinde tutmadığı için yapay zekâ ile görsel muayenenin dışında kalacak küçük ve orta ölçekli üreticiler için kuruldu. Bu eşiğin altındaki her hat için iPhone yaklaşımı artık çalışan bir yapay zekâ muayene sistemine giden en ucuz yol.

Öne çıkanlar

• Yapay zekâ ile görsel muayene; hata algılamayı ve kalite kontrolü otomatikleştirmek için yapay zekâ ve makine öğrenmesi algoritmalarını kullanır ve elle kodlanmış makine görüşü kurallarının yerini alır ya da onları güçlendirir.
• İnsanların problemi görebildiği ama sabit bir kuralın kolayca formüle edemediği ve manuel muayene doğruluğunun uzun bir vardiyada düştüğü kozmetik, montaj ve ambalaj hatalarında en güçlüdür.
• Modern akıllı telefon sınıfı kameralar ve önceden eğitilmiş yapay zekâ teknolojisi, çoğu hata sınıfı için toplam donanım maliyetini 1.000 € altına indiriyor ve yapay zekâ muayenesini küçük ve orta ölçekli üreticilere açıyor.
• Temiz bir kurulum beş evrede ilerler: kapsamlandır, veri topla, eğit, entegre et, izle. Her biri günler ila haftalar sürer ve ilki canlıya alındıktan sonra muayene süreci bir sonraki hat için tekrarlanabilir.
• Çoğu pilot ilk yılda hata kaçaklarında %30-60, muayene işgücünde %20-40 azalma görür; akıllı telefon tabanlı yapay zekâ muayene sistemlerinde geri ödeme 6-12 ay içinde gelir.

Başlayın

Enao Vision'ın kendi hattınızda nasıl çalıştığını görmek ister misiniz? Demoyu deneyin ya da elinizdeki bir iPhone ile ücretsiz başlayın ve ilk muayene istasyonunuzu üretim sahasında kurun.