Kısa cevap: Derin öğrenme ile görüntü işleme, kontrol kriterlerini elle kural olarak yazmak yerine, etiketli örnek görüntülerden öğrenen sinir ağı modelleriyle görüntü değerlendirmektir. Çizik, leke, doku bozukluğu gibi görünümü değişken hatalarda ve doğal ürün farklılıklarında güçlüdür. Ölçü, konum ve var/yok kontrolü gibi tanımlanabilir işlerde ise kural tabanlı görüntü işleme genellikle daha basit, daha hızlı ve daha kolay doğrulanır.
Bu yazıda (8 başlık)
Derin öğrenme ile görüntü işleme nasıl çalışır?
Kural tabanlı sistemde mühendis “bu bölgedeki kenar 2 mm’den uzaksa hata” gibi kuralları kendisi yazar. Derin öğrenmede ise model, iyi ve kötü örneklerden ayırt edici özellikleri kendisi çıkarır. Süreç kabaca şöyle ilerler:
- Görüntü toplama: Üretim koşullarında, nihai kamera, lens ve aydınlatmayla görüntü alınır.
- Etiketleme: Görüntüler “iyi/kötü” olarak sınıflandırılır veya hata bölgeleri tek tek işaretlenir.
- Eğitim: Model, etiketli verinin bir kısmıyla eğitilir; ayrılmış bir kısmıyla test edilir.
- Doğrulama: Kaçırılan hata ve yanlış red oranları, bilinen örnek setiyle ölçülür.
- Çalıştırma: Model üretim hattında genellikle GPU’lu bir PC’de veya derin öğrenme destekli bir akıllı kamerada çalışır.
- Bakım: Yeni hata türleri ve ürün değişiklikleri için veri eklenir, model yeniden eğitilir.
Donanım mimarisinin seçimi ayrı bir konudur: akıllı kamera ve PC tabanlı görüntü işleme.
Derin öğrenme görev tipleri
Sınıflandırma
Görüntünün tamamına bir etiket verir: “iyi”, “çizik”, “eksik parça” veya ürün tipi A/B/C. Etiketleme kolaydır, ama model hatanın nerede olduğunu söylemez. Ürün çeşidi ayırma ve genel iyi/kötü kararı için uygundur.
Nesne tespiti
Görüntüde belirli nesnelerin yerini kutu içine alarak bulur ve sayar. Karışık duran parçaları saymak, eksik bileşen aramak veya robot için yaklaşık konum vermek gibi işlerde kullanılır.
Segmentasyon
Görüntüyü piksel düzeyinde etiketler: hangi pikseller çizik, hangileri leke. Hatanın alanı ve boyu hesaplanabildiği için “0,5 mm’den küçük çizik kabul” gibi kalite kuralları uygulanabilir. Karşılığında etiketleme en çok emeği isteyen yöntemdir; her hata bölgesinin çizilmesi gerekir.
Anomali tespiti
Model yalnızca (ya da ağırlıklı olarak) iyi parça görüntüleriyle eğitilir ve “normalden sapan” bölgeleri işaretler. Hatalı örneğin az olduğu, hata türlerinin önceden bilinmediği durumlarda başlangıç için güçlü bir seçenektir. Sınırı, sapmanın gerçekten hata mı yoksa kabul edilebilir bir farklılık mı olduğunu kendi başına bilememesidir; eşik ayarı ve doğrulama dikkat ister.
OCR
Derin öğrenme tabanlı OCR, bozuk baskı, eğri yüzey ve düşük kontrastlı karakterlerde klasik yöntemlerden daha toleranslı olabilir. Kod okuma tarafı için: barkod, DataMatrix ve OCR okuma.
Kural tabanlı ve derin öğrenme karşılaştırması
| Kriter | Kural tabanlı görüntü işleme | Derin öğrenme |
|---|---|---|
| En uygun işler | Ölçü, konum, var/yok, kenar ve desen | Görünümü değişken kusurlar, doku, doğal ürün |
| Kurulum yükü | Kural yazma ve parametre ayarı | Veri toplama, etiketleme, eğitim |
| Veri ihtiyacı | Az sayıda örnekle başlanabilir | Temsil gücü yüksek, etiketli veri seti |
| Açıklanabilirlik | Kararın nedeni net (hangi kural) | Daha zor; ısı haritaları yardımcı olur |
| Ölçüm doğruluğu | Kalibre ölçümde güçlü | Ölçüm için tek başına uygun değil |
| Donanım | Akıllı kamera çoğu zaman yeter | Çoğu zaman GPU’lu PC veya DL destekli kamera |
| Ürün değişikliği | Kural güncellemesi | Yeni veriyle yeniden eğitim |
Çoğu zaman sağlam bir çözüm ikisini birlikte kullanmaktır: kural tabanlı araçla parça konumlanır ve ölçülür, derin öğrenme yalnızca yüzey kusurlarına bakar.
Veri ihtiyacı: ne kadar görüntü gerekir?
Tek bir doğru sayı yoktur; gereken veri miktarı hata türünün belirginliğine, ürün çeşitliliğine ve görev tipine göre değişir. Sayıdan çok verinin temsil gücü önemlidir:
- Tüm varyasyonlar: Farklı lotlar, renk tonları, yüzey işlemleri, vardiyalar ve makineler veri setinde bulunmalıdır.
- Hatalı örnek kıtlığı: İyi üretimde hata nadirdir. Hurda kasaları, geçmiş şikâyet parçaları ve kasıtlı hazırlanmış numuneler toplanmalıdır. Bu yetmiyorsa anomali tespitiyle başlamak mantıklı olabilir.
- Tutarlı etiketleme: İki kalite uzmanı aynı parçaya farklı karar veriyorsa model de kararsız kalır. Önce kabul kriteri yazılı hale getirilmeli, sınır örnekleri fotoğraflı bir katalogda toplanmalıdır.
- Ayrı test seti: Eğitimde hiç kullanılmamış görüntülerle test yapılmalıdır; aksi halde sonuçlar olduğundan iyi görünür.
Görüntü kalitesi modelden önce gelir. Kusuru görünür kılmayan bir ışıkla hiçbir model güvenilir sonuç vermez: görüntü işlemede aydınlatma ve endüstriyel kamera ve lens seçimi.
Pratik ipuçları
- İşe kabul kriterleriyle başlayın: hangi hata, hangi boyutta, hangi bölgede kabul edilmez?
- Veriyi nihai kamera düzeniyle toplayın; laboratuvar görüntüsüyle eğitilen model üretimde zorlanır.
- Kaçırılan hata ile yanlış red arasındaki dengeyi baştan konuşun. Biri müşteri şikâyeti, diğeri hurda ve tekrar kontrol maliyetidir.
- Reddedilen görüntüleri kaydedin; model güncellemesinin ham maddesi bunlardır.
- Model sürümlerini ve hangi veriyle eğitildiklerini kayıt altına alın.
- Çevrim süresini, model çıkarım süresi dahil ölçün.
Sık yapılan hatalar
- Ölçü kontrolünü derin öğrenmeyle çözmeye çalışmak.
- Sadece birkaç günlük üretimden veri toplamak; mevsim, lot ve makine farklarını kaçırmak.
- Etiketleme kriterini yazmadan etiketlemeye başlamak.
- Aydınlatma veya kamera konumu değiştiği halde modeli yeniden doğrulamamak.
- Test setini eğitim setinden ayırmamak.
- Sistemi kurup bırakmak; yeni hata türleri ve ürün değişiklikleri için kimin, ne zaman model güncelleyeceğini belirlememek.
Genel yapay zekâ ve makine öğrenimi uygulamaları için: makine öğrenimi ve yapay zekâ.
Sıkça Sorulan Sorular
Görüntü işlemede derin öğrenme nedir?
Kontrol kurallarını elle yazmak yerine, etiketli örnek görüntülerden öğrenen sinir ağı modelleriyle görüntüyü değerlendirmektir. Sınıflandırma, nesne tespiti, segmentasyon ve anomali tespiti başlıca görev tipleridir.
Derin öğrenme için kaç görüntü gerekir?
Sabit bir sayı yoktur. Hata türünün belirginliği, ürün çeşitliliği ve görev tipi belirleyicidir. Önemli olan; tüm ürün varyasyonlarının, gerçek hata örneklerinin ve sınır durumlarının veri setinde temsil edilmesi ve test setinin ayrı tutulmasıdır.
Anomali tespiti ile sınıflandırma arasındaki fark nedir?
Sınıflandırma iyi ve hatalı örneklerle eğitilir ve görüntüye bilinen bir etiket verir. Anomali tespiti ağırlıklı olarak iyi parçalarla eğitilir ve normalden sapan bölgeyi işaretler; hatalı örnek az olduğunda başlangıç için uygundur.
Klasik görüntü işleme mi derin öğrenme mi?
Ölçü, konum, var/yok ve okunabilir kod gibi tanımlı işlerde klasik (kural tabanlı) yöntem; görünümü değişken yüzey kusurlarında derin öğrenme daha uygundur. Birçok istasyonda ikisi birlikte kullanılır.
Derin öğrenme sistemi için GPU şart mı?
Model boyutu ve çevrim süresine bağlıdır. Ağır modeller ve çok kameralı istasyonlar için GPU’lu endüstriyel PC yaygındır; bazı akıllı kameralar daha küçük derin öğrenme modellerini kendi gövdesinde çalıştırabilir.
Eskişehir’de derin öğrenmeli görüntü işleme desteği
AveA Otomasyon olarak Eskişehir ve çevre illerde görüntü işleme istasyonlarının kamera ve aydınlatma tasarımı, veri toplama, model eğitimi ve üretim hattına entegrasyon konularında çalışıyoruz. Hizmet kapsamı için: yapay zekâ ile görsel hata tespiti ve endüstriyel görüntü işleme. Bize 0533 454 52 32 numarasından ulaşabilirsiniz; mesai dışında da arayabilirsiniz.