# Görüntü İşleme ile Kalite Kontrol: Kusurlu Ürünü Hatta Yakalayan Sistem Nasıl Kurulur?

> Görüntü işleme ile kalite kontrol çizik, çatlak, eksik parça ve etiket hatasını hat hızında yakalar. Kamera, ışık, yöntem ve 8 adımlı pilot planını inceleyin.

Kaynak: https://digitalbridge.com.tr/blog/goruntu-isleme-kalite-kontrol.html
Yayıncı: Digital Bridge Teknoloji (https://digitalbridge.com.tr)
Konu: Yapay Zeka
Yayın: 2026-10-05 · Güncelleme: 2026-10-22

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.

## Kısaca

- Görüntü işleme ile kalite kontrol, her ürünü kamerayla inceleyip kusurluyu hattan ayırır ve kusuru görüntüsüyle kalite kaydına yazar.
- Kural tabanlı makine görmesi ölçü ve etiket kontrolüne, derin öğrenme değişken yüzey kusurlarına, anomali tespiti nadir kusurlara uygundur.
- Projelerin çoğu modelde değil; kamera, aydınlatma, tetikleme ve ayırma mekanizması arasındaki boşlukta zorlanır.
- Kaçan kusur ve yanlış ret ayrı ölçülür; sistem ayırmayı devreye almadan önce gölge modda operatörle karşılaştırılır.
- TÜİK 2025 verisine göre yapay zeka kullanan girişimlerin %41,1'i onu üretim veya hizmet süreçlerinde kullanıyor.

## Gözle kalite kontrol neden yetersiz kalır?

2026 itibarıyla 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](https://veriportali.tuik.gov.tr/tr/press/57945)'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](https://digitalbridge.com.tr/blog/sirketlerde-yapay-zeka-nereden-baslamali.html) en sık seçilen ilk projelerden biridir.

## Kaçan bir kusur ne kadara mal olur?

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](https://digitalbridge.com.tr/blog/tarimda-yapay-zeka-kullanimi.html) 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](https://ec.europa.eu/newsroom/sante/items/882537/en))

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](https://www.bcg.com/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value) 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. Pilottan hatta uzanan aşamalı kurulum, tam olarak bu riski azaltmak için tasarlanır.

## Bir görüntü işleme kalite kontrol sistemi neyden oluşur?

[Görüntü işleme](https://digitalbridge.com.tr/sozluk.html#computer-vision) tabanlı kalite kontrol sistemi yalnızca bir yazılım değildir; donanım ve süreçle birlikte çalışan yedi halkalı 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, yani [uç bilişim](https://digitalbridge.com.tr/sozluk.html#edge-computing) mantığıyla 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, üretim yürütme sistemine (MES) 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](https://digitalbridge.com.tr/blog/anomali-tespiti.html) 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](https://digitalbridge.com.tr/blog/firmaya-ozel-yapay-zeka-modeli.html) rehberimizde adım adım anlattık.

## Görüntü işleme ile kalite kontrol nasıl kurulur? Pilottan hatta 8 adım

1. **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.
2. **Tek bir istasyon seçin.** Kusur maliyetinin en yüksek olduğu ya da gözle kontrolün en zorlandığı noktayla başlayın. Tüm hattı birden kapsamak, pilotun ölçülmesini zorlaştırır.
3. **Görüntü altyapısını kurun.** Kamera, lens ve aydınlatmayı gerçek hat koşullarında deneyin. Bu aşamada modelden önce görüntü kalitesi onaylanır.
4. **Veri toplayın ve etiketleyin.** Farklı vardiya, parti ve hammadde koşullarından görüntü toplayın. Etiketlemeyi kalite uzmanı yapar; modelin öğreneceği doğru, onun kararıdır.
5. **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.
6. **Gölge modda çalıştırın.** Sistem bir süre ürünü ayırmadan yalnızca karar kaydeder; kararları operatörün kararıyla karşılaştırırsınız. Güven oluştuğunda ayırma mekanizması devreye alınır.
7. **Kalite sistemine bağlayın.** Ret kararı uygunsuzluk kaydı açsın, kusur tipi ve görüntüsü partiye bağlansın. Böylece [SPC ve Cp/Cpk](https://digitalbridge.com.tr/blog/spc-cpk-nedir.html) analizleri ve [8D problem çözme](https://digitalbridge.com.tr/blog/8d-problem-cozme.html) çalışmaları gerçek veriyle yürür.
8. **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](https://digitalbridge.com.tr/blog/veri-etiketleme-nedir.html) yazımızda, tekstil kontrol makinesindeki uygulamasını ise [kumaş hata tespiti](https://digitalbridge.com.tr/blog/kumas-hata-tespiti-yapay-zeka.html) rehberimizde anlattık.

## Digital Bridge'de bu işi nasıl yapıyoruz?

[Görüntü işleme sistemleri](https://digitalbridge.com.tr/teknoloji-donanim/goruntu-isleme.html) 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](https://digitalbridge.com.tr/endustri-40/ip-kamera-izleme.html) sayfamıza bakabilirsiniz.
- **Firmaya özel model:** Kusur tipleriniz genel bir modelle yakalanamıyorsa kendi görüntülerinizle [firmaya özel yapay zeka modeli](https://digitalbridge.com.tr/teknoloji-donanim/firmaya-ozel-yapay-zeka-egitimi.html) eğitiriz.
- **Kalite yazılımıyla bütünleşme:** Görüntü işleme kararlarını [kalite yönetim sistemi](https://digitalbridge.com.tr/endustri-40/kalite-yonetim-sistemi.html) 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](https://digitalbridge.com.tr/endustri-40/mes-uretim-yonetimi.html) ve [üretim izlenebilirliği](https://digitalbridge.com.tr/endustri-40/uretim-izlenebilirlik-barkod.html) çözümlerimizle birlikte kurarız.

Otomotiv yan sanayi, gıda, plastik, metal işleme ve ambalaj gibi sektörlerde kalite beklentileri farklıdır; [otomotiv yan sanayi](https://digitalbridge.com.tr/sektorel-cozumler/otomotiv-yan-sanayi.html) gibi sektör sayfalarımızda bu farkları ayrıca ele alıyoruz. Kalite dışındaki imalat örneklerini [imalat sanayinde yapay zeka örnekleri](https://digitalbridge.com.tr/blog/imalat-sanayinde-yapay-zeka-ornekleri.html) yazımızda topladık.

## Kalite kontrol kamerası başka hangi işlerde kullanılır?

Kalite kontrol için kurulan 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](https://digitalbridge.com.tr/blog/yapay-zeka-is-guvenligi-kkd.html) 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](https://digitalbridge.com.tr/blog/plaka-tanima-sistemi.html) araç girişini kameradan okur, [drone görüntüsüyle NDVI analizi](https://digitalbridge.com.tr/blog/drone-ndvi-analizi.html) ise tarladaki bitki stresini haritaya döker.

Aynı tespit mantığı perakendede insanlara uygulandığında kişi sayımına dönüşür; bu kullanımı [mağaza ziyaretçi sayma sistemi](https://digitalbridge.com.tr/blog/magaza-ziyaretci-sayma.html) yazımızda ele aldık. Tarımda ise aynı sayım yaklaşımı drone görüntüsündeki ağaç ve bitkilere uygulanır; örneğini [drone ile rekolte tahmini](https://digitalbridge.com.tr/blog/drone-ile-rekolte-tahmini.html) yazısında bulabilirsiniz.

Hatta yakalanan kusurların uygunsuzluk kaydına ve düzeltici faaliyete dönüşmesi için [kalite yönetim sistemi yazılımı](https://digitalbridge.com.tr/blog/kalite-yonetim-sistemi-yazilimi.html) rehberimize bakabilirsiniz.

## Görüntü işleme projesine nereden başlamalı?

Görüntü işleme ile kalite kontrole 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](https://digitalbridge.com.tr/iletisim.html); hattınızı yerinde inceleyip görüntü alma koşullarını test edelim ve ölçülebilir bir pilotun kapsamını birlikte çıkaralım. Yatırımın geri dönüşünü nasıl ölçeceğinizi [yapay zeka projesinde ROI](https://digitalbridge.com.tr/blog/yapay-zeka-projesi-roi.html) yazımızda, diğer kullanım alanlarını ise [Yapay Zeka rehberimizin tamamında](https://digitalbridge.com.tr/blog/konu/yapay-zeka.html) bulabilirsiniz.

## Sık Sorulan Sorular

### Görüntü işleme ile kalite kontrol için kaç kusur örneği gerekir?

Yönteme göre değişir. Derin öğrenme ile sınıflandırmada her kusur tipi için farklı koşullardan yeterli sayıda örnek gerekir. Kusurun nadir olduğu hatlarda yalnızca iyi ürünle eğitilen anomali tespiti tercih edilir. Pilot aşamasında mevcut örnek sayınıza göre hangi yöntemin uygun olduğu belirlenir.

### Mevcut IP kameralarımız kalite kontrol için yeterli mi?

Paketleme sonrası sayım veya etiket kontrolü gibi işlerde mevcut RTSP/ONVIF destekli kameralar çoğu zaman yeterlidir. Küçük yüzey kusurları ve hızlı hatlar ise genellikle endüstriyel kamera, uygun lens ve kontrollü aydınlatma gerektirir. Bunu, keşif sırasında hat üzerinde gerçek ürünle yapılan görüntü alma testi netleştirir.

### Sistem yanlış alarm verirse üretim durur mu?

Durmaz, çünkü karar eşiği kaçan kusur ile yanlış ret arasındaki dengeye göre ayarlanır ve sistem ilk önce ürünü ayırmadan yalnızca karar kaydeden gölge modda çalıştırılır. Ayırma devreye alındığında da hat durdurulmak yerine şüpheli ürün ayrılıp ikinci kontrole gönderilebilir. Yanlış ret kararları toplanıp modelin yeniden eğitiminde kullanılır.

### Görüntü işleme kalite sistemi MES veya ERP ile konuşabilir mi?

Evet. Her ret kararı kusur tipi, görüntü, zaman ve parti bilgisiyle kalite yönetim sistemine, MES'e veya izlenebilirlik kaydına yazılabilir; kamera kusur bulduğunda uygunsuzluk kaydı otomatik açılır. Böylece kusur verisi yalnızca ayırma için değil, SPC, 8D ve kök neden analizi gibi süreç iyileştirme çalışmaları için de kullanılır.

### Görüntü işleme ile kalite kontrol sisteminin maliyeti neye bağlıdır?

Maliyeti; kontrol edilecek istasyon sayısı, hat hızı ve kusur boyutunun gerektirdiği kamera ve aydınlatma, mevcut kameraların kullanılıp kullanılamayacağı, ayırma mekanizması, özel model eğitimi ve MES ya da kalite sistemi entegrasyonu belirler. Digital Bridge donanım tarafında teknik fizibiliteyi ücretsiz yapar, ardından kapsam, aşamalar ve bedeli yazılı teklifle sunar.

### Ürün değiştiğinde model yeniden mi eğitilir?

Yeni ürün, yeni kalıp veya farklı hammadde görünümü değiştirdiğinde modelin güncellenmesi gerekebilir. Sistem yanlış kararları topladığı için bu güncelleme sıfırdan değil, eldeki modelin yeni örneklerle yeniden eğitilmesiyle yapılır. Ürün değişikliği önceden biliniyorsa yeni ürünün örnek görüntüleri devreye almadan önce toplanıp gölge modda doğrulanır.
