Yapay zeka ile görsel hata tespiti, kurallarla tarif edilmesi zor kusurları (çizik, leke, çapak, döküm boşluğu, dokuma hatası) derin öğrenme modeliyle kameradan yakalamaktır. AveA Otomasyon olarak bu hizmeti uçtan uca veriyoruz: görüntü alma düzeni, veri toplama, etiketleme, model eğitimi, doğrulama ve üretim hattına entegrasyon. Eskişehir ve çevre illerdeki fabrikalara hizmet veriyoruz.
Hemen arayın: 0533 454 52 32 — mesai dışında da arayabilirsiniz.
Bu yazıda (8 başlık)
Ne yapıyoruz?
- Görüntü alma düzeni: Kusuru görünür kılan kamera, lens ve ışık kurulumu. Model ne kadar iyi olursa olsun, görüntüde görünmeyen hatayı bulamaz.
- Veri toplama: Üretim hattından iyi ve kötü parça görüntülerinin düzenli biçimde toplanması.
- Etiketleme: Hataların türüne göre sınıflandırılması, gerekiyorsa görüntü üzerinde işaretlenmesi; etiket kurallarının kalite ekibinizle birlikte yazılması.
- Model eğitimi: Uygulamaya göre sınıflandırma, hata bölgesi bulma (segmentasyon) veya yalnızca iyi parçalarla eğitilen anomali tespiti.
- Doğrulama: Modelin eğitimde hiç görmediği parçalarla test edilmesi.
- Entegrasyon: PLC ile haberleşme, ret mekanizması, operatör ekranı ve görüntü arşivi.
Kenar, ölçü ve konum gibi kurala dökülebilen kontroller için klasik görüntü işleme genellikle yeterlidir; bu yöntemleri endüstriyel görüntü işleme sayfamızda anlattık. Kestirimci bakım ve proses tahmini gibi görüntü dışı yapay zeka uygulamaları ise makine öğrenimi ve endüstriyel yapay zeka sayfamızın konusu. Bu sayfa yalnızca kamerayla kusur bulmaya odaklanır.
Hangi uygulamalarda?
- Metal, plastik ve boyalı yüzeylerde çizik, ezik, leke ve renk farkı
- Döküm ve dövme parçalarda boşluk, çatlak ve eksik dolum
- Kumaş, folyo ve kâğıt gibi sürekli malzemede dokuma ve yüzey hataları
- Kaynak ve yapıştırıcı dikişinde görsel süreklilik kontrolü
- Ahşap, seramik ve taş gibi doğal desenli malzemelerde kusur ayırma
- Kusur türüne göre parçaların sınıflandırılması
Yüzey kontrolünün genel çerçevesi için görsel kalite kontrol sistemleri sayfamıza bakabilirsiniz.
Proje nasıl ilerler?
- İlk görüşme: Hata türlerini, parça çeşidini, hat hızını ve şu anki kontrol yöntemini konuşuruz.
- Numune incelemesi: İyi parçalar ve her hata türünden örnekler incelenir; kusurun hangi ışıkta göründüğü denenir.
- Fizibilite denemesi: Sınırlı bir veriyle ilk model eğitilir, yöntemin parçanıza uyup uymadığı görülür.
- Teklif: Görüntü alma düzeni, veri toplama planı, doğrulama kriterleri ve sınırlar yazılı olarak paylaşılır.
- Veri toplama ve etiketleme: Sistem üretim hattına kurulur, belirli bir süre görüntü toplanır, kalite ekibinizle etiketlenir.
- Eğitim ve doğrulama: Model eğitilir, ayrı bir test setiyle kaçırılan hata ve yanlış ret oranları ölçülür.
- Devreye alma ve izleme: Model üretime alınır; yeni hata türü veya ürün değişiminde yeniden eğitim süreci tanımlanır.
Teklif için hangi bilgiler gerekli?
- Hata türlerinin listesi ve her biri için fotoğraf
- İyi parçalar ve her hata türünden fiziksel numuneler
- Kabul/ret kriterleri: hangi boyuttaki hata kabul edilebilir
- Parça çeşidi, hat hızı ve parçanın kameraya nasıl geldiği
- Mevcut PLC ve ret mekanizması bilgisi
- Görüntülerin ve sonuçların saklanma ihtiyacı
Veri, etiket ve doğrulama
İyi ve kötü numuneler: Model, kendisine gösterilen örneklerden öğrenir. Her hata türünden yeterli ve çeşitli örnek yoksa o hatayı güvenilir şekilde tanıyamaz. Nadir görülen hatalarda anomali tespiti (yalnızca iyi parçalarla eğitim) bir seçenektir; bu yöntem hatanın türünü değil, “normalden farklı” olduğunu söyler.
Etiket tutarlılığı: Aynı çiziği bir kontrolcü “kabul”, diğeri “ret” diyorsa model de kararsız kalır. Bu yüzden etiketlemeden önce sınır numunelerle kabul kriterini netleştiririz. Bu tür çalışmalarda asıl iş çoğu zaman model eğitimi değil, veri ve etiket hazırlığıdır.
Doğrulama: Model, eğitimde kullanılmayan görüntülerle test edilir. İki oran birlikte izlenir: hatalı parçanın kaçması ve iyi parçanın gereksiz yere atılması. Eşik değeri bu ikisi arasında bir tercihtir ve sizin önceliğinize göre belirlenir.
Yöntemin sınırları
- Görüntüde görünmeyen hata bulunamaz; önce ışık ve optik doğru kurulmalıdır (görüntü işlemede aydınlatma).
- Hiç görülmemiş bir hata türünü sınıflandırma modeli tanımayabilir.
- Ürün, malzeme veya ışık değiştiğinde model yeniden eğitilmeye ihtiyaç duyabilir.
- Hassas boyut ölçümü için derin öğrenme değil, kalibre edilmiş ölçüm gerekir: kamera ile ölçüm sistemleri.
- Kararlar tamamen açıklanabilir değildir; sınır parçalarda görüntü arşivi ve insan kontrolü faydalıdır.
Sıkça Sorulan Sorular
Yapay zeka ile hata tespiti için kaç fotoğraf gerekir?
Sabit bir sayı yoktur. Hata türlerinin çeşitliliğine, parçanın değişkenliğine ve yönteme bağlıdır. Fizibilite denemesinde gereken veri miktarı hakkında daha net fikir ediniriz.
Hatalı parça az çıkıyorsa yapay zeka kullanılabilir mi?
Evet, yalnızca iyi parçalarla eğitilen anomali tespiti bu durum için uygundur. Hatayı türüne göre ayırmanız gerekiyorsa zamanla hatalı örnek biriktirmek gerekir.
Derin öğrenme mi, klasik görüntü işleme mi?
Ölçü, konum, var/yok ve okuma gibi net kurallı işlerde klasik yöntem; doğal desenli yüzeylerde ve tarif edilmesi zor kusurlarda derin öğrenme daha uygundur. İkisi aynı istasyonda birlikte de çalışabilir.
Görsel kontrol yapay zekası her hatayı yakalar mı?
Hayır. Görüntüde görünmeyen veya eğitimde hiç bulunmayan hatalarda sınırlıdır. Kaçırılan hata ve yanlış ret oranlarını doğrulama testinde ölçüp sizinle paylaşırız.
Mevcut kamera sistemimize yapay zeka eklenebilir mi?
Görüntü kalitesi ve işlemci yeterliyse çoğu zaman eklenebilir. Seçenekler için akıllı kamera ve PC tabanlı görüntü işleme yazımıza bakabilirsiniz.
Eskişehir ve çevre illerde yapay zeka ile görsel hata tespiti hizmeti
Eskişehir ve çevre illerde yapay zeka destekli görsel kontrol için önce numunelerinizle deneme yapıyor, sonra veri toplamadan doğrulamaya kadar süreci birlikte yürütüyoruz. Hatalı ürün müşteriye ulaşıyorsa müşteriye hatalı ürün gidiyor sayfamız da yol gösterebilir. Bize 0533 454 52 32 numarasından ulaşabilirsiniz; mesai dışında da arayabilirsiniz.