Kumaş hata tespiti, dokuma veya örme kumaştaki delik, leke, atkı kaçığı, çözgü kopuğu ve iplik hatası gibi kusurların bulunup yerinin kaydedilmesidir. Yapay zeka destekli sistemde kumaş kontrol makinesinden ya da hattan geçen kumaşı endüstriyel kamera görüntüler, model kusuru sınıflar ve her topun metre bazlı hata haritası otomatik çıkar.
Kısaca
- Yapay zeka destekli kumaş hata tespiti, endüstriyel kamerayla delik, leke ve atkı kaçığı gibi kusurları bulur, her top için metre bazlı hata haritası çıkarır.
- En kolay başlangıç noktası mevcut kumaş kontrol makinesidir; hız sabittir ve ışık kontrol edilebilir.
- Sistem kontrolörün yerini almaz; şüpheli noktaları işaretler, sınırda kalan kusurlarda kararı kontrolör verir.
- Desenli kumaş daha fazla etiketli veri ister; partiler arası renk tonu onayı ise kameranın değil spektrofotometrenin işidir.
- Türk hazır giyim ihracatının yaklaşık %61'i 2025'te AB'ye yapıldı (İHKİB, Ocak 2026); bu pazarda metre bazlı kalite kaydı ticari bir argümandır.
Kumaş kontrolü bugün nasıl yapılıyor?
Çoğu işletmede kumaş kontrolü, ışıklı bir kontrol makinesinin başında duran bir kontrolörün gözüne emanettir. Kumaş sabit hızla akar, kontrolör kusuru görünce makineyi durdurur, kusuru işaretler ve forma yazar. Top sonunda puanlar toplanır ve kumaş sınıflandırılır.
Gözle kumaş kontrolü yıllardır işler ama sınırları bellidir. Aynı kusura iki kontrolör farklı puan verir; vardiyanın sonuna doğru dikkat düşer; ince ve açık renkli kumaşta kolay görülen kusur koyu kumaşta kaçar. Kâğıt formdaki bilgi de çoğu zaman o topun hikâyesinde kalır, hangi tezgâhın, hangi iplik partisinin ya da hangi terbiye reçetesinin sorun çıkardığını göstermez.
Kumaş kontrolünde kaçan kusur, maliyetini en pahalı noktada, yani kesimden ve dikimden sonra gösterir. Kesilmiş parçada fark edilen delik, o parçaya harcanan kumaşı, işçiliği ve teslim tarihini birlikte riske atar. Siparişin bantta nasıl izlendiğini tekstil üretim takip programı yazımızda anlattık; kumaş kontrolü bu zincirin ilk halkasıdır.
Kaçan kumaş hatalarının maliyeti nedir?
Türk tekstil ve hazır giyim sektörü, kalite beklentisi yüksek pazarlarda daralan bir ihracat ve azalan iş gücüyle çalışıyor. İHKİB Hazır Giyim ve Konfeksiyon Sektörü Güncel Durum raporuna (Ocak 2026) göre Türkiye'nin hazır giyim ve konfeksiyon ihracatı 2025'te %6,3 düşüşle 16,77 milyar dolar oldu.
Aynı raporda 2025 hazır giyim ihracatının 10,16 milyar dolarının Avrupa Birliği'ne yapıldığı görülüyor; bu, toplamın yaklaşık %61'i demek. AB'deki markalar kusurlu kumaştan doğan iade ve gecikme maliyetini çoğu zaman tedarikçisine yansıtır; bu nedenle kalite kaydı ticari bir argümana dönüşür.
SGK verilerine göre tekstil ve hazır giyimde kayıtlı istihdam Ekim 2025'te 860.359 kişiye indi; bir yılda 105.686 kişilik kayıp yaşandı. (İHKİB, Hazır Giyim ve Konfeksiyon Sektörü Güncel Durum, Ocak 2026)
İş gücü azaldığında deneyimli kontrolör bulmak da zorlaşır. Kumaş hata tespitini otomatikleştirmek, kontrolörün yerini almaktan çok, onun dikkatini makinenin işaretlediği şüpheli noktalara yoğunlaştırmak demektir.
Yapay zeka hangi kumaş hatalarını yakalar?
Görüntü işleme tabanlı kumaş kontrolünde kusurlar kaynağına göre gruplanır. Her grubun görüntüde farklı bir izi vardır ve bu iz, kamera ile ışığın nasıl kurulacağını belirler.
| Kusur grubu | Örnekler | Görüntüde nasıl görünür? | Kamera için zorluk |
|---|---|---|---|
| Dokuma kaynaklı | Atkı kaçığı, çözgü kopuğu, çift atkı, sık-seyrek | Doğrusal, iplik yönünde süreklilik bozulması | Düşük–orta |
| Örme kaynaklı | Delik, iğne izi, elastan kaçığı, ilmek hatası | Nokta ya da dikey çizgi | Orta |
| İplik kaynaklı | Kalın-ince yer, nopes, yabancı elyaf | Küçük, düzensiz lekeler | Orta–yüksek |
| Boya ve terbiye | Leke, yağ lekesi, kenar-orta ton farkı, barre (enine bant) | Renk ya da parlaklık değişimi | Ton farkı için yüksek |
| Mekanik | Yırtık, kırışık izi, kenar hatası | Belirgin şekil bozukluğu | Düşük |
Yapay zeka ile kumaş kontrolünün iki sınırını baştan bilmek gerekir. Birincisi, desenli, baskılı ya da jakarlı kumaşlarda model, desenin kendisini kusurdan ayırmayı ayrıca öğrenmek zorundadır ve bu daha fazla etiketli örnek ister. İkincisi, partiler arası renk tonu farkı gibi ölçümler renk ölçüm cihazı (spektrofotometre) işidir; kamera tek başına bu ölçümün yerini tutmaz.
Kumaş hata tespiti sistemi nasıl kurulur? 6 adım
- Kurulum noktasını seçin. En kolay başlangıç noktası mevcut kumaş kontrol makinesidir: hız sabit, ışık kontrol edilebilir. Ram çıkışı ya da tezgâh üzeri kurulum daha erken yakalar ama daha zorlu koşullar getirir.
- Kamera, ışık ve konum bilgisini kurun. Genişliği tarayan çizgi tarama (line-scan) kamera, yüzey kusurları için önden, yoğunluk kusurları için arkadan ışık ve kusurun metresini veren bir enkoder temel bileşenlerdir.
- Kusur sözlüğünü ve puanlamayı yazın. Hangi kusurun hangi adla ve hangi puanla kaydedileceği netleşmelidir. Pek çok işletmenin kullandığı 4 puan sistemi (ASTM D5430) iyi bir ortak dildir.
- Veriyi toplayın ve etiketleyin. Her kumaş kalitesinden gerçek kusurlu ve kusursuz görüntüler toplanır, deneyimli kontrolörlerle birlikte etiketlenir. Bu adımın yöntemini veri etiketleme nedir rehberimizde ayrıntılı anlattık.
- Kontrolörle yan yana çalıştırın. Pilotta sistem ve kontrolör aynı topları ayrı ayrı değerlendirir. Kaçırılan ve yanlış alarm veren kusurlar sınıf sınıf incelenir, eşikler buna göre ayarlanır.
- Hata haritasını üretime bağlayın. Her topun metre bazlı hata haritası, kalite sınıfı ve kusur görüntüleri sisteme kaydedilir; kesimhane bu haritayı pastal planında kullanır, üretim ise kusurları tezgâh ve parti bazında izler. Top etiketlerini barkodlu üretim izlenebilirliği altyapısına bağlamak, haritanın doğru topla eşleşmesini sağlar.
Kamera tabanlı kalite kontrolün genel mimarisini ve diğer sektörlerdeki uygulamasını görüntü işleme ile kalite kontrol yazımızda anlattık. Hazır bir model yerine neden kendi kumaşınızla eğitilmiş bir model gerektiğini ise firmaya özel yapay zeka modeli rehberi açıklıyor.
Kumaş hata verisi kök neden analizinde nasıl kullanılır?
Otomatik kumaş kontrolünün asıl değeri, tek tek kusur yakalamanın ötesinde, kusurların neden oluştuğunu görünür kılmasıdır; yani kök neden analizine veri sağlamasıdır. Aynı tezgâhtan çıkan toplarda tekrar eden atkı kaçığı bakım ihtiyacını, belirli bir iplik partisinde yoğunlaşan nopes tedarikçi sorununu, belirli bir reçeteden sonra artan leke ise terbiye prosesini işaret eder.
Kusurla kök neden arasındaki bağlantıyı kurmak için her topun hangi tezgâh, iplik partisi ve reçeteyle üretildiğinin kayıtlı olması gerekir. Lot ve parti takibinin nasıl kurulacağını üretim izlenebilirliği yazımızda anlattık. Tekrarlayan kusurlar için yapılandırılmış bir kök neden analizi isterseniz 8D problem çözme yöntemi iyi bir çerçeve sunar.
Manuel kontrol ile yapay zeka destekli kumaş kontrolü karşılaştırması
Manuel kontrol ile yapay zeka destekli kontrol arasında karar verirken iki yöntemi aynı ölçütlerle yan yana koymak işe yarar. Aşağıdaki tablo farkların nerede ortaya çıktığını özetler; hangisinin sizin kumaşınızda daha iyi sonuç verdiğini ise pilot ölçümleri gösterir.
| Ölçüt | Manuel kontrol | Yapay zeka destekli kontrol |
|---|---|---|
| Dikkat | Vardiya boyunca yorgunlukla değişir | Her metrede aynı kurallarla tarar |
| Puanlama tutarlılığı | Kontrolörden kontrolöre farklılaşabilir | Aynı kusur sözlüğü ve eşiklerle puanlar |
| Kayıt | Kâğıt form, çoğu zaman topla sınırlı | Metre bazlı hata haritası ve kusur görüntüsü |
| Kök neden analizi | Formlar elle derlenmeden zor | Tezgâh, parti ve reçeteyle ilişkilendirilebilir |
| Karar yetkisi | Kontrolörde | Sınırda kalan durumlarda yine kontrolörde |
Otomatik kumaş kontrolünün değeri nasıl ölçülür?
Otomatik kumaş kontrolünün getirisini göstermek için pilot başlamadan önce mevcut durumun ölçüsü alınmalıdır. Aşağıdaki göstergeler, hem pilotun başarısını hem de yaygınlaştırma kararını dayandırabileceğiniz somut bir zemin sunar:
- Kaçan kusur oranı: Kontrolden geçtiği halde kesimde, dikimde ya da müşteride fark edilen kusurların sayısı.
- Yanlış alarm oranı: Sistemin kusur dediği ama kontrolörün kusur saymadığı işaretlerin oranı. Bu oran yüksekse kontrolör sisteme güvenmeyi bırakır.
- Kontrol hızı: Metre başına harcanan kontrol süresi ve makinenin durma sayısı.
- Müşteri iadesi ve şikâyeti: Kumaş kaynaklı iade ve indirim taleplerinin sayısı ve tutarı.
- Tekrarlayan kusur payı: Aynı tezgâh, iplik partisi ya da reçeteye bağlanabilen kusurların toplam içindeki payı.
Bu göstergeler haftalık izlendiğinde, hangi kumaş kalitesinde sistemin tek başına güvenilir olduğu, hangisinde kontrolör onayının sürmesi gerektiği açıkça görülür. Getiriyi yatırımla karşılaştırmanın yöntemini yapay zeka projesi ROI yazımızda anlattık.
Kumaş hata tespiti projelerinde sık yapılan hatalar
Kumaş hata tespiti projelerindeki ilk hata, ışığı ve mekaniği hafife almaktır. Kötü aydınlatılmış ya da titreyen bir görüntüden iyi sonuç veren model yoktur; projelerde sorunların önemli bir kısmı yazılımdan değil kamera konumu, ışık açısı ve kumaş gerginliğinden çıkar. İkinci hata, tüm kumaş kalitelerini aynı anda devreye almaya çalışmaktır. Tek kalitede oturmuş bir sistemi genişletmek, onlarca kaliteyle aynı anda başlamaktan hem daha hızlı hem daha güvenlidir.
Üçüncü hata, kontrolörleri sürecin dışında bırakmaktır. Kusuru en iyi tanıyan kişiler onlardır; etiketlemede, eşik ayarında ve pilot değerlendirmesinde yer almayan bir ekip, sistemin işaretlerine de güvenmez. Dördüncü hata ise hata verisini yalnızca top sınıflandırmasında kullanıp üretime geri beslememektir. Oysa parti bazında tutulan hata kayıtları, AB'nin Sürdürülebilir Ürünler için Ekotasarım Tüzüğü (ESPR, 2024/1781) kapsamında tekstil için ayrıntıları hâlâ belirlenmekte olan dijital ürün pasaportu gereklilikleri netleştiğinde dayanıklılık ve kalite bilgisine de kaynak olabilir.
Digital Bridge'de kumaş hata tespitini nasıl kuruyoruz?
Digital Bridge olarak hazır bir kutu satmıyoruz; donanımı ve yazılımı aynı ekipten, sizin kumaşınıza göre kuruyoruz. Tekstil ve konfeksiyon çözümlerimizde izlediğimiz yol şöyledir:
- Keşif ve fizibilite: Kontrol makinesini, kumaş türlerini, hızları ve en çok sorun çıkaran kusurları yerinde inceliyoruz. Donanım tarafında teknik fizibiliteyi ücretsiz yapıyoruz.
- Donanım: Kamera, ışık, enkoder ve kasa tasarımını elektronik ve mekanik ekibimizle kontrol makinesine uygun hale getiriyoruz. Görüntü işleme tarafında modeli sizin kumaşlarınızla eğitiyoruz.
- Pilot: Tek kontrol makinesi ve sınırlı sayıda kumaş kalitesiyle başlıyor, sonuçları kontrolör değerlendirmesiyle yan yana karşılaştırıyoruz.
- Entegrasyon: Top hata haritasını ve kalite sınıfını kalite yönetim sistemi ve MES üretim yönetimi katmanına bağlıyoruz; top etiketlerini de mevcut barkod altyapınızla eşleştiriyoruz.
Müşteriye gönderilecek kalite raporlarını ve kusur görüntülerini departmanlar arasında düzenli paylaşmak isterseniz Smart360 ailesindeki SmartFiles (SmartFiles.com.tr), dosyaları departman ya da proje bazlı alanlarda toplar ve kişi ya da departman bazında ayrı okuma, yazma ve silme yetkisi tanımlamanıza izin verir.
Kaliteyle birlikte hat verimliliğini izlemek için OEE nasıl hesaplanır yazısına, konudaki tüm rehberler için Yapay Zeka sayfasına bakabilirsiniz.
Sonraki adım
Son üç ayda müşteriden dönen ya da kesimde fark edilen kumaş kusurlarını türüne göre sayın ve en sık görülen üç kusurun fotoğrafını çekin. Bu liste, pilotun hangi kumaş ve hangi kusurla başlayacağını belirler. Birlikte değerlendirmek için iletişim sayfamızdan bize ulaşın.