Görüntü işleme ile kalite kontrol, üretim hattından geçen her ürünün kamerayla görüntülenip yapay zeka ya da kural tabanlı yazılımla çizik, çatlak, renk sapması, eksik parça ve etiket hatası gibi kusurlar için anlık değerlendirilmesidir. Kusurlu ürün hattan ayrılır, kusur tipi ve görüntüsü kalite kaydına düşer. Başarının anahtarı modelden önce doğru kamera, doğru aydınlatma ve kendi ürününüzle ölçülmüş bir pilottur.
Gözle kontrolün sınırı: vardiyanın sonu
Birçok tesiste son kontrol hâlâ bir operatörün gözüne emanettir. Operatör vardiya başında dikkatlidir; saatler ilerledikçe, hat hızlandıkça ve ürün çeşitlendikçe aynı dikkat korunamaz. Aynı kusura iki farklı operatör iki farklı karar verebilir. Kusurlu ürün sevkiyata gider, sorun müşterinin giriş kontrolünde ya da bir şikâyetle ortaya çıkar.
Gözle kontrolün ikinci zayıflığı kayıttır. Operatör hatalı ürünü ayırır ama çoğu zaman neden ayırdığını, hangi saatte kaç tane ayırdığını ve kusurun hangi makineden geldiğini sisteme yazmaz. Veri olmadığında kök neden analizi tahmine dönüşür.
Yapay zeka bu nedenle üretim tarafında hızla yer buluyor. TÜİK Yapay Zeka İstatistikleri 2025'e göre yapay zeka kullanan girişimlerin %41,1'i onu üretim veya hizmet süreçlerinde kullanıyor. Ancak benimseme ölçekle çok değişiyor: aynı bültene göre yapay zeka kullanan girişimlerin oranı 10-49 çalışanlılarda %6,6 iken 250 ve üzeri çalışanlılarda %24,1. Görüntüyle kalite kontrol, ölçmesi kolay olduğu için şirketlerde yapay zekaya başlarken en sık seçilen ilk projelerden biridir.
Kaçan kusurun maliyeti
Kalite hatasının maliyeti, hatanın bulunduğu yere göre katlanır. Hatta yakalanan bir parça hurda ya da yeniden işlemdir. Depoda yakalanan bir parti, ayırma ve yeniden kontrol işçiliği demektir. Müşteride yakalanan hata ise iade, ceza, 8D raporu ve güven kaybıdır; otomotiv yan sanayinde bu, tedarikçi puanını doğrudan etkiler.
Gıda gibi sektörlerde görsel hata bir halk sağlığı konusuna da dönüşebilir: yanlış etiket, eksik alerjen uyarısı ya da yabancı madde. Tarladan gelen ürünün ayrılması ve boylanması gibi işleri tarımda yapay zeka yazımızda ele aldık.
AB'nin gıda ve yem hızlı alarm sistemi RASFF'e 2024'te halk sağlığı riski taşıyan uygunsuzluklar için 5.250 bildirim yapıldı; bu, 2023'e göre %12 artış demek. (Avrupa Komisyonu Alert and Cooperation Network 2024 Yıllık Raporu)
Avrupa'ya ihracat yapan Türk üreticileri için bu bildirimler, sevkiyatın reddi ve ek denetim anlamına gelebilir.
Öte yandan yapay zeka projeleri de kendiliğinden değer üretmiyor. BCG'nin AI Adoption in 2024 araştırmasına göre 59 ülkede görüşülen şirketlerin %74'ü yapay zekadan henüz somut değer elde edememişti. Görüntü işlemede bunun en sık nedeni, modelin laboratuvarda iyi çalışıp hattaki gerçek ışık, toz, titreşim ve ürün çeşitliliğiyle karşılaşınca bozulmasıdır. Aşağıdaki çerçeve bu riski azaltmak için var.
Bir görüntü işleme kalite kontrol sistemi neyden oluşur?
Sistem yalnızca bir yazılım değildir; donanım ve süreçle birlikte çalışan bir zincirdir:
- Kamera ve lens: Kusurun boyutu, ürünün hızı ve görüş alanı çözünürlüğü, pozlama süresini ve lens seçimini belirler. Hızlı akan üründe hareket bulanıklığı en sık yapılan hatadır.
- Aydınlatma: Görüntü işlemenin yarısı ışıktır. Parlak metal yüzeyde çizik, arka aydınlatma ya da açılı ışıkla görünür hâle gelir; ortam ışığı gün boyu değiştiği için kontrollü aydınlatma şarttır.
- Tetikleme: Ürün kameranın önüne geldiğinde bir sensör çekimi başlatır; böylece her ürün aynı konumda görüntülenir.
- İşlem birimi: Model genellikle hattın yanındaki bir endüstriyel bilgisayarda çalışır. Kararın milisaniyeler içinde verilmesi gerekiyorsa görüntü buluta gönderilmez.
- Karar yazılımı: Kural tabanlı ölçüm, derin öğrenme ile sınıflandırma ya da anomali tespiti; çoğu projede bunların bir karışımı.
- Ayırma mekanizması: Hava üfleme, itici piston ya da hattı durduran bir sinyal. Kararın fiziksel bir sonucu olmalıdır.
- Kayıt ve entegrasyon: Her karar, görüntüsüyle birlikte kalite sistemine, MES'e ya da izlenebilirlik kaydına yazılır.
Hangi yöntem hangi kusura uygun?
| Yöntem | Nasıl çalışır | Uygun olduğu durum | Dikkat edilmesi gereken |
|---|---|---|---|
| Kural tabanlı makine görmesi | Kenar, ölçü, renk eşiği gibi kurallar | Ölçü kontrolü, varlık/yokluk, barkod ve etiket okuma | Ürün ya da ışık değişince kurallar bozulur |
| Derin öğrenme ile sınıflandırma | Etiketli iyi/kötü örneklerle eğitilen model | Çizik, leke, çatlak gibi görünümü değişken kusurlar | Her kusur tipi için yeterli örnek gerekir |
| Anomali tespiti | Yalnızca iyi ürünle eğitilir, "normalden sapmayı" işaretler | Kusurun nadir olduğu ve önceden tanımlanamadığı hatlar | Kusur tipini söylemez; yanlış alarm eşiği iyi ayarlanmalı |
Anomali yaklaşımının ayrıntısını anomali tespiti yazımızda anlatıyoruz. Kusur tipleriniz hazır modellerde tanınmıyorsa, kendi etiketli görüntülerinizle hataya özel bir model eğitmek gerekir; veri hazırlığından teslime süreci firmaya özel yapay zeka modeli rehberimizde adım adım anlattık.
Adım adım: pilottan hatta
- Kusur kataloğunu çıkarın. Kalite ekibiyle birlikte hangi kusurların aranacağını, her biri için kabul ve ret sınırını belirleyin. Sınır numuneleri (kabul edilebilir en kötü ürün) fotoğraflanmadan model eğitimine başlanmaz.
- Tek bir istasyon seçin. Kusur maliyetinin en yüksek olduğu ya da gözle kontrolün en zorlandığı noktayla başlayın. Tüm hattı birden kapsamak, pilotun ölçülmesini zorlaştırır.
- Görüntü altyapısını kurun. Kamera, lens ve aydınlatmayı gerçek hat koşullarında deneyin. Bu aşamada modelden önce görüntü kalitesi onaylanır.
- Veri toplayın ve etiketleyin. Farklı vardiya, parti ve hammadde koşullarından görüntü toplayın. Etiketlemeyi kalite uzmanı yapar; modelin öğreneceği doğru, onun kararıdır.
- İki hatayı ayrı ölçün. Kaçan kusur (kötü ürünü iyi sanmak) ve yanlış ret (iyi ürünü atmak) farklı maliyetlerdir. Eşik, hangisinin sizin için daha pahalı olduğuna göre ayarlanır.
- Gölge modda çalıştırın. Sistem bir süre ürünü ayırmadan yalnızca karar kaydeder; kararları operatörün kararıyla karşılaştırırsınız. Güven oluştuğunda ayırma mekanizması devreye alınır.
- Kalite sistemine bağlayın. Ret kararı uygunsuzluk kaydı açsın, kusur tipi ve görüntüsü partiye bağlansın. Böylece SPC ve Cp/Cpk analizleri ve 8D problem çözme çalışmaları gerçek veriyle yürür.
- Modeli yaşatın. Yeni ürün, yeni hammadde ya da yeni kalıp modeli etkiler. Yanlış kararlar toplanıp düzenli yeniden eğitimle modele geri döner.
Görüntü işleme projesinin başarısı, modelin hangi örneklerle ve ne kadar tutarlı etiketlerle eğitildiğine bağlıdır. Bu hazırlığı veri etiketleme nedir yazımızda, tekstil kontrol makinesindeki uygulamasını ise kumaş hata tespiti rehberimizde anlattık.
Digital Bridge'de bu işi nasıl yapıyoruz?
Görüntü işleme sistemleri hizmetimizde yazılımı ve sahadaki donanımı aynı ekip kurar. Bu, kalite kontrol projelerinde özellikle önemlidir; çünkü sorunların çoğu model ile ışık, kamera ve mekanik arasındaki boşlukta çıkar.
- Keşif ve fizibilite: Hattınızı yerinde inceler, kusur kataloğunu kalite ekibinizle birlikte çıkarırız. Donanım tarafında teknik fizibilite ücretsizdir; sonrasında kapsam, aşamalar ve bedeli içeren yazılı bir teklif sunarız.
- Mevcut kameralarla başlangıç: RTSP/ONVIF destekli mevcut IP kameralarınız uygunsa onlarla çalışırız; hat hızı ve kusur boyutu gerektiriyorsa endüstriyel kamera, aydınlatma ve işlem birimini sahaya kurarız. Kamera altyapınızın genel yönetimi için IP kamera izleme sayfamıza bakabilirsiniz.
- Firmaya özel model: Kusur tipleriniz genel bir modelle yakalanamıyorsa kendi görüntülerinizle firmaya özel yapay zeka modeli eğitiriz.
- Kalite yazılımıyla bütünleşme: Görüntü işleme kararlarını kalite yönetim sistemi yazılımına bağlarız; kamera kusuru tespit ettiğinde uygunsuzluk kaydı operatör müdahalesi olmadan açılır. Kontrol planı, SPC, karantina, 8D ve kalibrasyon kayıtları aynı sistemde birbirine bağlı kalır.
- Üretim verisiyle bağ: Kusur kaydını hangi makinede, hangi vardiyada, hangi hammadde partisinde oluştuğuyla görmek için MES üretim yönetimi ve üretim izlenebilirliği çözümlerimizle birlikte kurarız.
Otomotiv yan sanayi, gıda, plastik, metal işleme ve ambalaj gibi sektörlerde kalite beklentileri farklıdır; otomotiv yan sanayi gibi sektör sayfalarımızda bu farkları ayrıca ele alıyoruz. Kalite dışındaki imalat örneklerini imalat sanayinde yapay zeka örnekleri yazımızda topladık.
Görüntü işlemeye yalnızca kalite için bakmayın
Aynı kamera ve işlem altyapısı, hattın başka ihtiyaçlarına da hizmet edebilir: kolide eksik ürün sayımı, etiket ve barkod doğrulama, sevkiyatta palet kontrolü. Tesis genelinde aynı teknoloji, üretim alanlarında baret ve yelek kullanımını denetlemek için de kullanılır; bu konuyu yapay zeka ile iş güvenliği ve KKD tespiti yazımızda anlatıyoruz. Yatırımı planlarken bu ek kullanımları baştan düşünmek, kamera konumlarını ve işlem kapasitesini doğru seçmenizi sağlar.
Aynı teknoloji tesis dışında da iş görür: plaka tanıma sistemleri araç girişini kameradan okur, drone görüntüsüyle NDVI analizi ise tarladaki bitki stresini haritaya döker.
Aynı tespit mantığı perakendede insanlara uygulandığında kişi sayımına dönüşür; bu kullanımı mağaza ziyaretçi sayma sistemi yazımızda ele aldık. Tarımda ise aynı sayım yaklaşımı drone görüntüsündeki ağaç ve bitkilere uygulanır; örneğini drone ile rekolte tahmini yazısında bulabilirsiniz.
Hatta yakalanan kusurların uygunsuzluk kaydına ve düzeltici faaliyete dönüşmesi için kalite yönetim sistemi yazılımı rehberimize bakabilirsiniz.
Sonraki adım
Başlamak için bir hat seçin ve son üç ayın kalite verisine bakın: hangi kusur en çok müşteriye kaçıyor, hangisi en çok hurda üretiyor? Bu kusurun 20–30 örnek fotoğrafını ve birkaç sınır numunesini hazırlayın. Bizimle iletişime geçin; hattınızı yerinde inceleyip görüntü alma koşullarını test edelim ve ölçülebilir bir pilotun kapsamını birlikte çıkaralım. Yatırımın geri dönüşünü nasıl ölçeceğinizi yapay zeka projesinde ROI yazımızda, diğer kullanım alanlarını ise Yapay Zeka rehberimizin tamamında bulabilirsiniz.